西班牙语神经疾病语音数据集S-DiverSe发布

背景

自动语音识别（ASR）在标准语音场景下取得了显著进步，但由神经系统疾病（如肌萎缩侧索硬化、帕金森病和中风）所影响的语音识别仍然是一大挑战。现有研究多聚焦于英语，而西班牙语等语言在这方面的资源极其匮乏。针对这一空白，来自西班牙的 Fernando López 等人构建了 S-DiverSe（Spanish Diverse Speech）语料库，旨在为神经疾病影响的西班牙语音 ASR 提供评估与开发基准。

核心内容

S-DiverSe 是一个包含 3.2 小时“野外”（in-the-wild）西班牙语音的语料库，采集自 22 位患有肌萎缩侧索硬化（amyotrophic lateral sclerosis）、帕金森病（Parkinson's disease）和中风（stroke）的说话者。数据集共包含 444 段手动转录的音频片段，每段均附有说话者性别、疾病类型以及语音清晰度（intelligibility）等元数据。

研究团队对数据集进行了详细分析，并报告了基线 ASR 结果以及初步的领域自适应实验。实验发现，对于领域外的神经疾病西班牙语音，启发式文本后处理（heuristic text post-processing）比模型微调（fine-tuning）更为鲁棒。这一结论强调了构建专门针对神经疾病西班牙语音的“野外”基准测试的必要性。

关键要点

• 数据集规模与多样性：3.2 小时语音来自 22 位说话者，涵盖三种主要神经疾病（ALS、帕金森、中风），并包含语音清晰度分级，支持细粒度分析。
• 野外采集：语音并非来自实验室受控环境，而是真实场景（in-the-wild），更具实际挑战性。
• 标注质量：所有音频均经手动转录，共 444 段，且包含说话者性别、疾病类型、清晰度等元信息。
• 关键实验结论：针对神经疾病语音，直接微调 ASR 模型效果不佳，而采用规则或启发式的文本后处理方法反而更稳定有效。
• 开放性：论文未明确发布数据集链接，但意在为社区提供西班牙语神经疾病语音的专用基准。

意义与影响

S-DiverSe 是首个专门面向神经疾病影响下西班牙语音的公开语料库（据本文所描述），填补了非英语语言在这一重要应用领域的空白。其最核心的发现——启发式后处理优于微调——提示研究者：在数据稀缺且领域漂移严重的场景中，简单但稳健的后处理策略可能比复杂的模型自适应更具实用价值。此外，“野外”数据的特性使得该基准更具生态效度，有助于推动 ASR 技术真正服务于有语言障碍的患者群体。未来基于该数据集的工作有望促进多语言神经语音 ASR 的发展，并为临床辅助沟通工具提供支撑。