USC — Corpus abierto de habla uzbeka del ISSAI (105 horas, 958 hablantes) para tecnología de voz en uzbeko

El uzbeko, hablado por decenas de millones de personas, apenas tenía datos de habla abiertos, lo que dejaba las interfaces de voz, los subtítulos y las herramientas de apoyo fuera del alcance de muchos usuarios. En 2021, un equipo del ISSAI (Universidad Nazarbayev, Kazajistán) y colaboradores uzbekos publicó USC, un corpus de código abierto con 105 horas de habla leída transcrita de 958 hablantes, revisado manualmente por hablantes nativos.
Los autores entrenaron reconocedores DNN-HMM y de extremo a extremo y comunicaron tasas de error de palabra del 18,1 % en el conjunto de validación y del 17,4 % en el de prueba, que describen como preliminares. El artículo fue aceptado en SPECOM 2021 y el conjunto de datos, los modelos preentrenados y las recetas de entrenamiento se comparten en GitHub.
La evidencia se limita a pruebas técnicas: no hay estudio con usuarios, despliegue ni datos de adopción publicados, y la licencia del conjunto de datos no figura en las páginas del proyecto. Su valor para la inclusión digital es el de infraestructura habilitadora de herramientas de voz en uzbeko, no el de un resultado de servicio medido.