Hugging Face开放ASR榜单新增埃及与尼日利亚英语私有测试集
Hugging Face与Liva AI合作，在Open ASR Leaderboard的私有数据部分加入埃及和尼日利亚两种口音的会话英语数据，并依据Kachru三圈模型调整口音分组方式。
AI解读：Hugging Face博客称，Open ASR Leaderboard新增来自Liva AI的两个私有口音测试集：埃及英语 1.34 小时、尼日利亚英语 1.55 小时，均为自发性会话语音，转写带标点、大小写并保留不流畅处。
这是榜单私有数据部分的又一次扩充。此前已加入Appen、DataOceanAI的 11 个分片，覆盖五种口音，以及Voice Arena的印度口音英语分片。
榜单将按Kachru三圈模型报告更细的口音分组：美国与非美国（英国、澳大利亚、加拿大、印度、尼日利亚、埃及），以及内圈（美、英、澳、加）与外围圈和扩展圈（印度、尼日利亚、埃及）。Hugging Face称这一分组思路来自Hume AI的榜单。
Hugging Face表示新增私有数据的目的是提升ASR评测中的口音代表性并减少针对公开测试集的过拟合（benchmaxxing）。以上为博客自述，未给出这些测试集上新旧模型的具体成绩变化。
Hugging Face博客宣布，Open ASR Leaderboard新增埃及和尼日利亚两种口音的英语私有测试数据，由数据公司Liva AI提供。
新增的两个私有分片
博客给出的数据：埃及英语分片 1.34 小时，尼日利亚英语分片 1.55 小时；两者均为会话式、自发性语音，转写经标点和大小写处理，并保留不流畅处。
这两个分片进入榜单的私有数据部分，而非公开测试集。
- 埃及英语：1.34 小时，会话、自发性语音
- 尼日利亚英语：1.55 小时，会话、自发性语音
- 转写格式：带标点、大小写，保留不流畅处
此前已有的私有数据
博客回顾，几个月前榜单加入了来自Appen和DataOceanAI的 11 个私有分片，覆盖五种口音的脚本式与会话式语音；此后又与Voice Arena合作加入印度口音英语分片。Hugging Face称社区对这些留出集的反馈积极。
口音分组方式的调整
加入新口音后，榜单将按Kachru三圈模型给出更细的口音拆分：一是美国与非美国（英国、澳大利亚、加拿大、印度、尼日利亚、埃及）；二是内圈（美国、英国、澳大利亚、加拿大）与外围圈及扩展圈（印度、尼日利亚、埃及）。博客称这一思路借鉴自Hume AI的榜单，并称未来口音增多后会把外围圈和扩展圈再拆分。
Liva AI的数据来源说明
Hugging Face介绍，Liva AI通过真人使用的消费产品采集多模态交互数据；因其同时掌握采集环境和分发渠道，可以针对特定模型缺口设计产品，从而获得产品使用中自然产生的高上下文行为，而非人工诱导或任务式交互。这一说明来自Hugging Face博客对合作方的描述，未提供独立验证。