GigaSpeech 3 发布：39000 小时弱标注多方言阿拉伯语语音识别语料
X-LANCE · hf · 2026-11-04
上海交大、清华、阿里 Token Foundry 等机构联合发布 GigaSpeech 3：39000 小时、1000 万条弱转写的方言阿拉伯语语音语料，覆盖阿尔及利亚、埃及、伊拉克、沙特、叙利亚五种方言。
- 构建方法：每方言仅从 60 小时人工转写起步，训练带语音识别偏置的自监督标注模型，再对沙特和叙利亚网络音频做四轮 noisy-student 精炼生成最终语料。
- 通过方言特定与多方言训练及跨域评测验证：最终方言模型在全部五种方言上超过其标注模型，在 GigaSpeechBench 上取得宏观平均词错率提升。
「研究」频道最新
- 哈佛教授承认：AI 生成的文章评审已全面优于人类最佳水平 — iamfakhrealam · 2026-11-04
- Cohere等论文:合成预训练收益竟源于嵌入初始化偏差 — LauraRuis · 2026-11-04
- kalomaze 展示 DeepSeek V3.1 底座更大骨干实验，eval loss 降至约 0.82 — kalomaze · 2026-11-04
- Reddit 网友无梯度改写 Qwen 0.6B 权重：39.8M token 让模型「爱上一支乐队」 — Altruistic_Heat_9531 · 2026-11-04
- SpecPilot 智能体自动优化投机解码：速度从 4.46× 提升至 10.87× — pmttyji · 2026-11-04
- 自主 Agent 定制 MSA 策略，提升 AlphaFold 3 蛋白复合物预测 — SJTU · 2026-11-04