ELARSpeech：覆盖 675 种低代表性语言的 30K 小时语音数据集

ELARSpeech 发布 30,202 小时、覆盖 675 种低代表性语言的多语言语音数据集。语料取自 Endangered Languages Archive，混合人工标注与未标注录音，实验显示可支持 ASR 与 TTS 扩展至低资源语言，伪标签带来额外增益。数据集、训练好的 ASR/TTS 模型与完整数据构建流程均已公开，但语音表征分析显示现有多语言模型迁移到语言长尾仍存在局限。