Buchumschlag

Data Quality Issues in Multilingual Speech Datasets: The Need for Sociolinguistic Awareness and Proactive Language Planning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lau, Mingfei, Chen, Qian, Fang, Yeming, Xu, Tingting, Chen, Tongzhou, Golik, Pavel
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PCQPR: Proactive Conversational Question Planning with Reflection
von: Guo, Shasha, et al.
Veröffentlicht: (2024)

Ask-before-Plan: Proactive Language Agents for Real-World Planning
von: Zhang, Xuan, et al.
Veröffentlicht: (2024)

QualiSpeech: A Speech Quality Assessment Dataset with Natural Language Reasoning and Descriptions
von: Wang, Siyin, et al.
Veröffentlicht: (2025)

Quality-Aware Translation Tagging in Multilingual RAG system
von: Moon, Hoyeon, et al.
Veröffentlicht: (2025)

Teaching Language Models To Gather Information Proactively
von: Huang, Tenghao, et al.
Veröffentlicht: (2025)

MuRating: A High Quality Data Selecting Approach to Multilingual Large Language Model Pretraining
von: Chen, Zhixun, et al.
Veröffentlicht: (2025)

Towards Evaluating Proactive Risk Awareness of Multimodal Language Models
von: Yuan, Youliang, et al.
Veröffentlicht: (2025)

Is It Good Data for Multilingual Instruction Tuning or Just Bad Multilingual Evaluation for Large Language Models?
von: Chen, Pinzhen, et al.
Veröffentlicht: (2024)

Do We Need Distinct Representations for Every Speech Token? Unveiling and Exploiting Redundancy in Large Speech Language Models
von: Xiang, Bajian, et al.
Veröffentlicht: (2026)

Pseudo-Siamese Network for Planning in Target-Oriented Proactive Dialogues
von: Kang, Xinyue, et al.
Veröffentlicht: (2026)

From Flat Language Labels to Typological Priors: Structured Language Conditioning for Multilingual Speech-to-Speech Translation
von: Pan, Yu, et al.
Veröffentlicht: (2026)

Mind the Pause: Disfluency-Aware Objective Tuning for Multilingual Speech Correction with LLMs
von: Kumar, Deepak, et al.
Veröffentlicht: (2026)

Batched Low-Rank Adaptation of Foundation Models
von: Wen, Yeming, et al.
Veröffentlicht: (2023)

SpeechR: A Benchmark for Speech Reasoning in Large Audio-Language Models
von: Yang, Wanqi, et al.
Veröffentlicht: (2025)

Superpixel Semantics Representation and Pre-training for Vision-Language Task
von: Zhang, Siyu, et al.
Veröffentlicht: (2023)

MTPChat: A Multimodal Time-Aware Persona Dataset for Conversational Agents
von: Yang, Wanqi, et al.
Veröffentlicht: (2025)

AI Hiring with LLMs: A Context-Aware and Explainable Multi-Agent Framework for Resume Screening
von: Lo, Frank P. -W., et al.
Veröffentlicht: (2025)

Lean-ing on Quality: How High-Quality Data Beats Diverse Multilingual Data in AutoFormalization
von: Chan, Willy, et al.
Veröffentlicht: (2025)

Judging Quality Across Languages: A Multilingual Approach to Pretraining Data Filtering with Language Models
von: Ali, Mehdi, et al.
Veröffentlicht: (2025)

MTQ-Eval: Multilingual Text Quality Evaluation for Language Models
von: Pokharel, Rhitabrat, et al.
Veröffentlicht: (2025)

StressTransfer: Stress-Aware Speech-to-Speech Translation with Emphasis Preservation
von: Chen, Xi, et al.
Veröffentlicht: (2025)

GenTranslate: Large Language Models are Generative Multilingual Speech and Machine Translators
von: Hu, Yuchen, et al.
Veröffentlicht: (2024)

Hazards in Daily Life? Enabling Robots to Proactively Detect and Resolve Anomalies
von: Song, Zirui, et al.
Veröffentlicht: (2024)

The Language Barrier: Dissecting Safety Challenges of LLMs in Multilingual Contexts
von: Shen, Lingfeng, et al.
Veröffentlicht: (2024)

Toward Cross-Lingual Quality Classifiers for Multilingual Pretraining Data Selection
von: Turki, Yassine, et al.
Veröffentlicht: (2026)

A Comparative Analysis of Bilingual and Trilingual Wav2Vec Models for Automatic Speech Recognition in Multilingual Oral History Archives
von: Lehečka, Jan, et al.
Veröffentlicht: (2024)

Northeastern Uni at Multilingual Counterspeech Generation: Enhancing Counter Speech Generation with LLM Alignment through Direct Preference Optimization
von: Wadhwa, Sahil, et al.
Veröffentlicht: (2024)

From Query to Counsel: Structured Reasoning with a Multi-Agent Framework and Dataset for Legal Consultation
von: Lu, Mingfei, et al.
Veröffentlicht: (2026)

Do Proactive Agents Really Need an LLM to Decide When to Wake and What to Anchor?
von: Liu, Xiaoze, et al.
Veröffentlicht: (2026)

SwitchLingua: The First Large-Scale Multilingual and Multi-Ethnic Code-Switching Dataset
von: Xie, Peng, et al.
Veröffentlicht: (2025)

MuBench: Assessment of Multilingual Capabilities of Large Language Models Across 61 Languages
von: Han, Wenhan, et al.
Veröffentlicht: (2025)

Target-constrained Bidirectional Planning for Generation of Target-oriented Proactive Dialogue
von: Wang, Jian, et al.
Veröffentlicht: (2024)

SpeechMedAssist: Efficiently and Effectively Adapting Speech Language Models for Medical Consultation
von: Chen, Sirry, et al.
Veröffentlicht: (2026)

Reasoning While Asking: Transforming Reasoning Large Language Models from Passive Solvers to Proactive Inquirers
von: Chen, Xin, et al.
Veröffentlicht: (2026)

ContextAgent: Context-Aware Proactive LLM Agents with Open-World Sensory Perceptions
von: Yang, Bufang, et al.
Veröffentlicht: (2025)

LoASR-Bench: Evaluating Large Speech Language Models on Low-Resource Automatic Speech Recognition Across Language Families
von: Chen, Jianan, et al.
Veröffentlicht: (2026)

Hey, That's My Data! Token-Only Dataset Inference in Large Language Models
von: Xiong, Chen, et al.
Veröffentlicht: (2025)

The Heap: A Contamination-Free Multilingual Code Dataset for Evaluating Large Language Models
von: Katzy, Jonathan, et al.
Veröffentlicht: (2025)

PARROT: An Open Multilingual Radiology Reports Dataset
von: Guellec, Bastien Le, et al.
Veröffentlicht: (2025)

ProMind-LLM: Proactive Mental Health Care via Causal Reasoning with Sensor Data
von: Zheng, Xinzhe, et al.
Veröffentlicht: (2025)