英语到中部库尔德语语音翻译：语料库创建、评估和拼写标准化

我们推出了 KUTED，这是一个中央库尔德语语音到文本翻译 (S2TT) 数据集，源自 TED 和 TEDx 演讲。该语料库包含 91,000 个句子对，其中包括 170 小时的英语音频、165 万个英语标记和 140 万个中库尔德语标记。我们在 S2TT 任务上评估 KUTED，发现拼写变化显着降低了库尔德语翻译性能，产生不标准的输出。为了解决这个问题，我们提出了一种系统的文本标准化方法，该方法可以带来显着的性能提升和更一致的翻译。在与 TED 演讲分开的测试集上，经过微调的 Seamless 模型达到了 15.18 BLEU，并且我们在 FLEURS 基准上将 Seamless 基线提高了 3.0 BLEU。我们还从头开始训练 Transformer 模型，并评估将 Seamless (ASR) 与 NLLB (MT) 相结合的级联系统。