arXiv · 30.06.2026 ·Исследования и наука

LuxEmo: первый экспрессивный датасет для люксембургского языка

Исследователи представили LuxEmo — специализированный корпус данных для обучения систем синтеза речи (TTS) на люксембургском языке. Набор включает 21 час разговорной речи с эмоциональной окраской, что критически важно для развития технологий в условиях нехватки данных для редких языков. Датасет охватывает четыре категории эмоций и базируется на материалах медиахолдинга RTL.

Разработка подобных корпусов решает проблему «цифрового неравенства» языков, где доминируют модели, обученные на английском или других популярных языках. Использование эмоционально окрашенных данных позволяет создавать более естественные и выразительные ИИ-ассистенты, которые лучше адаптируются к разговорному стилю общения, а не просто воспроизводят монотонный текст.

Материал был подготовлен на основе архивов Radio Télévision Luxembourg, что обеспечило высокое качество исходного аудио. Работа подчеркивает важность создания качественных размеченных датасетов для языков с ограниченными ресурсами, так как именно отсутствие таких данных является главным барьером для внедрения современных речевых технологий в региональные сервисы.

Ключевые факты

Общий объем корпуса LuxEmo составляет 21 час аудиозаписей.
Датасет содержит разметку по 4 категориям эмоций для каждой фразы.
В качестве источника данных использованы материалы молодежных программ RTL.
Работа направлена на устранение дефицита данных для низкоресурсных языков в области синтеза речи.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Оценка и бенчмарки SpeechEQ: новый бенчмарк для оценки эмоционального интеллекта голосовых ИИ Исследователи представили SpeechEQ — специализированный бенчмарк для оценки эмоционального интеллекта в мультимодальных голосовых моделях. В отличие от существующих тестов, анализирующих только текст или акустику по отдельности, SpeechEQ фокусируется на кросс-модальном понимании паралингвистических сигналов. Это позволяет точнее измерять способность ИИ распознавать социальные нюансы и контекст в живом диалоге, что критически важно для естественного взаимодействия. arXiv · Исследования и наука Гибридный фреймворк для анализа эмоций в текстах песен с использованием LLM Исследователи представили новый подход к аннотированию текстов песен, объединяющий человеческую экспертизу и возможности больших языковых моделей. Авторы создали специализированный датасет с разметкой на уровне предложений, чтобы решить проблему расхождения между эмоциональным содержанием текста и общим настроением музыкальной композиции, что ранее оставалось «слепой зоной» в задачах автоматического анализа контента. arXiv · Исследования и наука Новый датасет DyadEE для анализа эмоциональной синхронизации в диалогах Исследователи представили модель TRACE и датасет DyadEE, предназначенные для анализа эмоциональной синхронизации (entrainment) в диалоговой речи. Система учитывает временные зависимости и социальный контекст общения, что позволяет ИИ-агентам точнее распознавать аффективную координацию между собеседниками. Это критически важный шаг для создания более естественных и эмпатичных голосовых интерфейсов, способных адаптироваться к эмоциональному состоянию пользователя в реальном времени. arXiv · Обучение и дообучение Новый датасет для улучшения аудио-языковых моделей Исследователи представили AudioDER — новый датасет, предназначенный для улучшения способностей аудио-языковых моделей (LALMs) к сложному аудио-рассуждению. LALMs уже демонстрируют высокие результаты в различных задачах понимания аудио, но их возможности в области сложного анализа и интерпретации звуковых данных остаются ограниченными. arXiv · Оценка и бенчмарки EMPATH: новый бенчмарк для оценки безопасности чат-ботов психологической поддержки Исследователи представили EMPATH — специализированный бенчмарк для оценки безопасности чат-ботов, оказывающих эмоциональную поддержку. В отличие от стандартных тестов, EMPATH моделирует многоходовые диалоги в кризисных ситуациях на разных языках. Система использует модель-аудитор, которая имитирует поведение пользователей в состоянии стресса, позволяя выявлять уязвимости в логике безопасности ИИ, скрытые в длительных разговорах. arXiv · Исследования и наука HPRO: новый метод обучения эмоционального синтеза речи через иерархическую оптимизацию Исследователи представили метод HPRO (Hierarchical Progressive Reward Optimization), направленный на улучшение эмоциональной выразительности в моделях синтеза речи (TTS). В отличие от стандартного обучения с учителем, которое часто приводит к усредненной и монотонной интонации, новый подход использует иерархическую оптимизацию на основе предпочтений, что позволяет моделям лучше улавливать нюансы человеческой речи и передавать сложные эмоции. arXiv · Исследования и наука Нейросетевой подход к оценке сложности лексики для изучающих иностранные языки Исследователи представили систему для автоматического определения сложности слов при изучении иностранных языков, разработанную в рамках конкурса BEA 2026. Модель использует регрессионный анализ и объединяет контекстуальные эмбеддинги с лингвистическими признаками, учитывающими родной язык учащегося. Решение показало высокую точность в прогнозировании того, насколько сложным будет восприятие конкретной лексики для носителей испанского, немецкого и китайского языков. Hacker News · Исследования и наука Декодирование естественной речи по неинвазивным данным активности мозга Исследователи Meta (признана экстремистской организацией, деятельность запрещена в РФ) представили метод декодирования человеческой речи на основе неинвазивных записей активности мозга, таких как МЭГ и ЭЭГ. Система способна восстанавливать целые предложения, используя архитектуру, которая сопоставляет нейронные сигналы с семантическими представлениями, полученными из предобученных языковых моделей, что открывает новые возможности для нейрокомпьютерных интерфейсов. arXiv · Машинное обучение ROMEVA: новый метод адаптации словарей для языков с низкой представленностью Исследователи представили метод ROMEVA (Roman Urdu Embedding-preserving Vocabulary Adaptation), направленный на улучшение работы мультиязычных моделей с языками, имеющими нестабильную морфологию и написание. В качестве примера авторы рассматривают романский урду — язык, где отсутствие единых стандартов орфографии приводит к избыточной фрагментации токенов. В стандартных моделях вроде mBERT это создает проблему, при которой один токен разбивается в среднем на 1,5 подслова, что снижает эффективность обработки текста. Hacker News · Память и RAG ASR-модель распознаёт не только слова, но и эмоции и намерения Компания Whissle представила новую ASR-модель, способную не только транскрибировать речь, но и анализировать эмоции и намерения говорящего. Это позволяет использовать её для более глубокого понимания контекста в реальном времени. Модель обрабатывает аудио за 200 миллисекунд, что делает её одной из самых быстрых на рынке.

← Все материалы