USC — Corpus ouvert de parole ouzbèke de l'ISSAI (105 heures, 958 locuteurs) pour les technologies vocales en ouzbek

L'ouzbek, parlé par des dizaines de millions de personnes, disposait de très peu de données vocales ouvertes, ce qui laissait les interfaces vocales, le sous-titrage et les outils d'assistance hors de portée de nombreux utilisateurs. En 2021, une équipe de l'ISSAI (Université Nazarbayev, Kazakhstan) et des collaborateurs ouzbeks ont publié USC, un corpus open source de 105 heures de parole lue transcrite, issue de 958 locuteurs et vérifiée manuellement par des locuteurs natifs.
Les auteurs ont entraîné des systèmes DNN-HMM et de bout en bout et rapportent des taux d'erreur de mots de 18,1 % sur l'ensemble de validation et de 17,4 % sur l'ensemble de test, qu'ils qualifient de préliminaires. L'article a été accepté à SPECOM 2021, et le jeu de données, les modèles pré-entraînés et les recettes d'entraînement sont partagés sur GitHub.
Les preuves se limitent à des évaluations techniques : aucune étude auprès des utilisateurs, aucun déploiement ni aucune donnée d'adoption n'est publié, et la licence du jeu de données n'est pas indiquée sur les pages du projet. Sa valeur pour l'inclusion numérique est celle d'une infrastructure habilitante pour les outils vocaux en ouzbek, et non celle d'un résultat de service mesuré.