Nepali
PulseAugur coverage of Nepali — every cluster mentioning Nepali across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
发布新的尼泊尔语-英语虚假信息检测基准
研究人员开发了NepOOC-M，这是首个公开可用的用于检测尼泊尔语和英语中脱离上下文（OOC）虚假信息的基准。该数据集包含1,090个图像-标题对，并根据五种虚假信息类型进行了标注。评估显示，仅文本的模型，特别是多语言BERT（mBERT）变体，与多模态架构的表现相当，达到了94.65%的宏观F1分数。研究表明，扩大数据集规模比增加模型复杂度对进步更有影响。
-
尼泊尔表情包分类系统在CHiPSAL 2026上获得高排名
研究人员开发了一个新颖的尼泊尔表情包分类系统，在CHiPSAL 2026的仇恨言论检测共享任务中获得第二名，在情感分析任务中获得第四名。他们的方法利用了Qwen3-VL-8B-Instruct视觉语言模型，该模型原生支持天城文，无需单独的OCR和翻译步骤。该系统采用两阶段训练过程，包括LoRA微调和对比骨干微调，并采用过采样和Focal Loss等策略来管理类别不平衡。该方法证明了大型视觉语言模型在低资源语言上的有效适配。
-
尼泊尔车牌识别系统准确率达93%
研究人员开发了一种新的自动车牌识别（ANPR）系统，专门针对使用天城文（Devanagari script）的尼泊尔车牌。该系统采用了一个流程，首先使用基于YOLO的模型来检测车牌和字符，然后使用在34个天城文字符上训练的卷积神经网络（CNN）分类器。这种方法达到了高达93%的识别准确率，证明了其在实际条件下的有效性，并为尼泊尔的交通管理提供了可扩展的解决方案。
-
新型神经说话人分割模型在低资源尼泊尔-印地语语音上表现优异
研究人员开发了一种新的说话人分割方法，即在音频录音中识别谁在何时说话，特别针对尼泊尔-印地语等低资源语言。他们使用了一个包含英语、多样化说话人录音以及新收集的尼泊尔语和印地语音频的多语言数据集，训练了两种神经网络架构：EEND-EDA 和 DiaPer。利用基于 Perceiver 的吸引子（attractors）的 DiaPer 模型表现出卓越的性能，在尼泊尔-印地语测试集上实现了比 EEND-EDA 模型显著更低的说话人分割错误率…
-
新框架将口语尼泊尔语翻译成情感条件化手语头像
研究人员开发了 NEST-V1，一个新颖的多模态框架，用于将口语尼泊尔语翻译成情感条件化手语头像。这项试点研究侧重于三种情感状态下的四个常用尼泊尔语单词，证明了生成富有表现力的手语头像的可行性。该系统利用共享声学编码器同时进行自动语音识别和情感分类，在保持适合边缘部署的参数效率的同时，实现了高精度。