ベンガル語は2億3000万人以上に話されているにもかかわらず、音声言語研究において依然として著しくリソースが不足している。既存のオープンなベンガル語ASRコーパスは、短い朗読音声やクラウドソース音声に限定されており、話者ダイアリゼーションや長尺音声を欠いている。このギャップを埋めるため、研究チームは大規模な弱教師ありベンガル語音声コーパス「Lipi-Ghor」を発表した。
Lipi-Ghorは885時間の音声を含み、998本のYouTube動画から収集され、596の独立チャンネルにわたり、オーディオブック、ドラマ、宗教的説教、ニュース、地域方言など17の多様な領域をカバーしている。各録音はSSTT形式（話者、音声、転写、タイムスタンプ）で注釈され、この形式は自動話者ダイアリゼーションとベンガル語YouTube字幕トラックを組み合わせたものである。著者らの知る限り、Lipi-Ghorは大規模なカバレッジと話者ダイアリゼーション済み長尺音声注釈の両方を備えた初のベンガル語音声コーパスであり、これらは既存のオープンなベンガル語リソースには欠けている要素である。
コーパス自体に加え、研究者らは構築手法を、十分な字幕付きYouTubeコンテンツを持つ任意の言語に適用可能な再現可能なパイプラインとして提示している。少数のリッチな領域にわたるターゲットを絞ったチャンネルキュレーションにより、このパイプラインは低リソース言語にとってこれまで手の届かなかったコーパス規模を実現する。
コーパスの有用性を評価するため、チームは広く使用されている4つのASRモデルについて、ゼロショット条件と微調整条件でベンチマークを実施した。その結果、すべてのモデルが感情的、方言的、および長尺コンテンツにおいて一貫した性能低下を示した。字幕ターゲット自体がノイズを含むため、研究者らは17名のボランティア注釈者による30時間の人間参加型修正を経て作成され、全17領域に層化された人手注釈のゴールド評価セットも公開している。
すべてのオリジナル貢献（動画IDリスト、ダイアリゼーション出力、パイプラインコード、ゴールド注釈）はCC-BY-4.0ライセンスの下で公開されている。字幕由来の転写は研究利用に限定して配布され、生音声は再配布されない。本論文は2026年の第2回音声・音声音語モデルワークショップ論文集（190〜201ページ）に掲載され、12ページ・図7点で構成されている。