**GigaSpeech 3：利用弱标注数据实现阿拉伯语多方言语音识别的规模化突破**

_GigaSpeech 3: Scaling Multi-Dialect Arabic Speech Recognition with Weakly Labeled Data_

> 针对阿拉伯语方言语音识别受限于标注数据稀缺的问题，研究团队发布了包含 3.9 万小时和 1000 万条弱标注语段的 GigaSpeech 3 数据集。该数据集覆盖阿尔及利亚、埃及、伊拉克、沙特和叙利亚五种阿拉伯语方言，通过自监督学习构建标注模型并筛选网络音频生成。实验表明，基于该数据集训练的模型在五种方言及多方言场景下均显著优于现有第三方系统，将词错误率大幅降低了 16.6%，并开源了数据集与训练方案。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.02476)