标签
BanglaKontho 推出了一套20小时单说话人孟加拉语TTS语料库,源自专业有声读物,并配备开源文本归一化器和预处理管道,旨在解决低资源孟加拉语语音合成中长篇韵律的不足。
本文介绍了COILD,这是一个以印度语言为中心的平行语料库,包含超过116万对句子,覆盖20对印度语言,并提供了一个以领域为中心的基准。研究结果表明,在微调多语言模型时,机器翻译性能得到了显著提升。
本文介绍了VākQA,一个泰卢固语口语事实问答基准,并使用自动化和人工评估方法评估模型,以应对低资源语言挑战。
墨尔本大学提交了一个针对低资源太平洋克里奥尔语(如Tok Pisin、Bislama和Solomon Pijin)的领域平衡机器翻译模型,在WMT 2026 CreoleMT共享任务中,以超过3个chrF++点的优势超越了开放基线模型。
本文评估了公开可用的低资源语言语音资源的重用性,重点以中部库尔德语为案例进行研究。
本文评估了多语言大型语言模型在乌尔都语故事生成中的表现,揭示了其在语言、语义和文化方面的显著弱点,突显了对于低资源语言的局限性。
本文介绍了一个针对孟加拉语习语的基准数据集,并评估了近期大型语言模型在习语相关任务上的表现,揭示了不同模型在性能上存在显著差异。
本文介绍了VakyArth,这是首个针对印度语言的语用基准,评估LLMs在印地语、旁遮普语、泰米尔语和马拉雅拉姆语中的文化和上下文推理能力。研究发现模型在语用意义方面存在持续性失败,且在不同语言和任务间存在系统性差异。
本文提出SAMA-ASR——一种多模态适配器,通过利用翻译提供的语义锚点和语音的声学锚点,改进低资源语言的自动语音识别。在台湾闽南语和客家话上的实验证明其性能优于基线方法。
本文评估了开放多模态大语言模型在高棉文档视觉问答上的性能,发现虽然模型在处理英语和数字内容方面表现良好,但理解原生高棉脚本仍然具有挑战性。该研究使用了KH-FUNSD集合中的诊断子集,并比较了不同的模型配置。
本文介绍了质心干预融合 (CIF),一种投影融合框架,它统一了多语言干预算子以增强大型语言模型中的跨语言表示学习,特别在资源匮乏的语言上实现了性能提升。
本文介绍了KSE-Web,一项针对低资源柬埔寨语语义搜索的混合检索与LLM辅助查询扩展分析研究。研究通过构建一个数据集,评估了BM25、稠密检索以及混合检索方法,发现BM25表现最佳,同时LLM查询扩展在柬埔寨语应用中存在局限性。
本文评估了大语言模型在罗马乌尔都语(一种资源匮乏语言)中的仇恨言论检测能力,证明使用LoRA的参数高效微调相比零样本推理显著提升了分类性能。
NE-BERT 是一个多语言编码器模型,在830万句数据上训练,覆盖九种东北印度语言和两种锚定语言,通过自定义分词技术,在超低资源语言上显著优于现有模型如 IndicBERT-V2 和 MuRIL。
本系统性文献综述研究了大型语言模型在低资源语言中的安全对齐,指出存在持续的多语言安全差距,并提出了未来方向,如基于文化背景的基准测试和参与式数据收集。
This paper presents a cost-efficient routing pipeline for multilingual short-text classification that selectively translates low-resource languages into English before zero-shot classification using small language models, showing quality gains on SIB-200 and MASSIVE benchmarks.
This paper presents an embedding initialization method for adding unseen low-resource languages to multilingual NMT models, evaluated on Limbum-English translation. The averaged multi-language embedding matches the best single proxy and drastically outperforms zero-shot and from-scratch baselines.
本文研究了使用Whisper进行波斯语语音情感识别,表明基于PCA的降维方法提升了性能和效率,而ASR微调仅带来有限的改进。
微软研究院推出了Paza语音手册,这是一份交互式指南,用于为低资源和多语言语言构建稳健的语音技术,涵盖数据收集、模型训练、部署和评估。配套视频介绍了该手册,并演示了如何应用经过验证的实践。
本文提出了一个使用大语言模型构建塔吉克语电子详解词典的概念框架,该框架整合了词法分析、词形还原、语义聚类和词典条目生成,并采用PEFT策略。