孟加拉语使用人口超过2.3亿，但在语音语言研究中长期处于资源严重不足的状态。现有的公开孟加拉语自动语音识别（ASR）语料大多局限于简短的朗读语音或众包采集的语音，普遍缺少说话人分离标注，也没有长时音频。针对这一空白，由Sanjid Hasan等四位作者完成的论文《Lipi-Ghor: A Large-Scale, Diarized, Multi-Domain Bengali Speech Corpus and a Scalable Pipeline for Building It》提出了一个大规模、弱监督的孟加拉语语音语料库Lipi-Ghor，并给出了可复制的构建流程。该论文共12页、含7幅图，发表于2026年《Speech and Audio Language Models Workshop（第二届）》论文集第190至201页，属于计算与语言（cs.CL）方向，arXiv编号为2610.36184，提交时间为2026年10月26日。
Lipi-Ghor语料库包含885小时音频，素材取自596个不同频道下的998个YouTube视频，覆盖有声书、戏剧、宗教布道、新闻以及地方方言等17个不同领域。每一段录音都以SSTT格式标注，即说话人（Speaker）、语音（Speech）、转写（Transcription）和时间戳（Timestamp）四要素，其做法是将自动说话人分离技术与孟加拉语YouTube字幕轨相结合。作者指出，据其所知，Lipi-Ghor是首个同时具备大规模覆盖能力与说话人分离的长时音频标注的孟加拉语语音语料库，而这两点恰恰是现有公开孟加拉语资源所缺失的。
除语料本身外，论文的另一项贡献是把构建方法整理成一套可复制的流水线，适用于任何在YouTube上拥有充足带字幕内容的语言。作者强调，只需针对少数内容丰富的领域进行定向频道筛选，就能为低资源语言构建出此前难以企及的语料规模。这一思路的意义在于，它把语料建设的重心从昂贵的逐条人工采集转向了对已有公开视频资源的系统化整理与弱监督标注。
在评测方面，研究团队在零样本和微调两种条件下对四款广泛使用的ASR模型进行了基准测试。结果显示，这四个模型在情感性内容、方言内容以及长时音频内容上均出现一致的性能下降。由于字幕作为训练目标本身带有噪声，作者还额外发布了一个人工标注的金标准评测集。该评测集由17名志愿者标注员参与，经过30小时的人在回路修正，并按全部17个领域进行分层抽样，以保证覆盖面与代表性。
在发布政策上，作者以CC-BY-4.0许可协议公开其原创贡献，包括视频ID列表、说话人分离输出、流水线代码以及金标准标注；由字幕衍生的转写文本仅限研究用途分发，原始音频不再二次分发。这种区分原创贡献与第三方内容的授权安排，既保证了研究的可复现性，也规避了音视频版权方面的风险。
总体而言，Lipi-Ghor的工作同时回应了低资源语言语音研究中的两个痛点：一是数据规模与领域多样性不足，二是缺乏长时音频与说话人分离这类更贴近真实场景的标注。其流水线思路对其他字幕资源丰富的低资源语言也具有直接的借鉴价值，而基准测试所揭示的模型在情感、方言和长时内容上的退化，则为后续孟加拉语及其他低资源语言的ASR改进指明了方向。