研究人员发布了VSRo-200，一个用于罗马尼亚语视觉语音识别的新大规模数据集。该数据集包含200小时的真实播客视频，其中一部分由人工标注，其余部分由微调后的罗马尼亚语ASR模型生成的伪标签标注。该资源旨在为低资源视觉语音识别建立基准，并促进对监督质量、领域泛化和多模态融合的研究。 AI
影响 为推进低资源视觉语音识别和多模态融合领域的研究提供新资源。
排序理由 该集群描述了一个特定研究领域（视觉语音识别）的新学术数据集和基准。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.08112v1 Announce Type: new Abstract: We introduce VSRo-200, the first large-scale dataset for visual speech recognition (lip reading) in Romanian, comprising 200 hours of real-world podcast videos. All samples are annotated with pseudo-labels generated by a fine-tuned …
We introduce VSRo-200, the first large-scale dataset for visual speech recognition (lip reading) in Romanian, comprising 200 hours of real-world podcast videos. All samples are annotated with pseudo-labels generated by a fine-tuned Romanian ASR model, while a subset of 100 hours …