CHILDES-Aligned：通过多模型时间戳集成策划的儿童语音数据集

CHILDES 是一个大型儿童语音语料库，包含自然儿童与成人互动的长格式录音，使其成为研究儿童语音和语言发展的宝贵资源。然而，该语料库中提供的话语级时间戳通常有噪音、不完整或与音频不一致。因此，在长录音中无法始终可靠地定位话语，这限制了直接使用这些数据来训练和评估语音模型。在这项工作中，我们提出了 BEACON（通过对齐共识进行边界估计），这是一种集成时间戳管理框架，通过聚合来自多个现成 ASR 模型的知识来细化话语级时间戳。具体来说，每个模型的单词级时间戳预测首先与提供的人类转录本对齐，最终的话语时间边界由共识投票策略确定。该框架与语料库无关，适用于任何与时间戳不可靠或丢失的可信记录配对的长格式记录，为时间戳管理提供了通用方法。利用这个管道，我们策划并发布了一个 413 小时的通用儿童语音数据集，其中包含纠正的话语级时间戳，以及用于 ASR 训练的 283 小时的质量控制子集。在四个域外儿童语音基准测试中，此子集上的 微调 平均相对 WER 降低高达 19.5%。