孟加拉語使用人口超過2.3億，但在語音語言研究中長期處於資源嚴重不足的狀態。現有的公開孟加拉語自動語音識別（ASR）語料大多侷限於簡短的朗讀語音或眾包採集的語音，普遍缺少説話人分離標註，也沒有長時音頻。針對這一空白，由Sanjid Hasan等四位作者完成的論文《Lipi-Ghor: A Large-Scale, Diarized, Multi-Domain Bengali Speech Corpus and a Scalable Pipeline for Building It》提出了一個大規模、弱監督的孟加拉語語音語料庫Lipi-Ghor，並給出了可複製的構建流程。該論文共12頁、含7幅圖，發表於2026年《Speech and Audio Language Models Workshop（第二屆）》論文集第190至201頁，屬於計算與語言（cs.CL）方向，arXiv編號為2610.36184，提交時間為2026年10月26日。
Lipi-Ghor語料庫包含885小時音頻，素材取自596個不同頻道下的998個YouTube視頻，覆蓋有聲書、戲劇、宗教佈道、新聞以及地方方言等17個不同領域。每一段錄音都以SSTT格式標註，即説話人（Speaker）、語音（Speech）、轉寫（Transcription）和時間戳（Timestamp）四要素，其做法是將自動説話人分離技術與孟加拉語YouTube字幕軌相結合。作者指出，據其所知，Lipi-Ghor是首個同時具備大規模覆蓋能力與説話人分離的長時音頻標註的孟加拉語語音語料庫，而這兩點恰恰是現有公開孟加拉語資源所缺失的。
除語料本身外，論文的另一項貢獻是把構建方法整理成一套可複製的流水線，適用於任何在YouTube上擁有充足帶字幕內容的語言。作者強調，只需針對少數內容豐富的領域進行定向頻道篩選，就能為低資源語言構建出此前難以企及的語料規模。這一思路的意義在於，它把語料建設的重心從昂貴的逐條人工採集轉向了對已有公開視頻資源的系統化整理與弱監督標註。
在評測方面，研究團隊在零樣本和微調兩種條件下對四款廣泛使用的ASR模型進行了基準測試。結果顯示，這四個模型在情感性內容、方言內容以及長時音頻內容上均出現一致的性能下降。由於字幕作為訓練目標本身帶有噪聲，作者還額外發布了一個人工標註的金標準評測集。該評測集由17名志願者標註員參與，經過30小時的人在迴路修正，並按全部17個領域進行分層抽樣，以保證覆蓋面與代表性。
在發佈政策上，作者以CC-BY-4.0許可協議公開其原創貢獻，包括視頻ID列表、説話人分離輸出、流水線代碼以及金標準標註；由字幕衍生的轉寫文本僅限研究用途分發，原始音頻不再二次分發。這種區分原創貢獻與第三方內容的授權安排，既保證了研究的可復現性，也規避了音視頻版權方面的風險。
總體而言，Lipi-Ghor的工作同時回應了低資源語言語音研究中的兩個痛點：一是數據規模與領域多樣性不足，二是缺乏長時音頻與説話人分離這類更貼近真實場景的標註。其流水線思路對其他字幕資源豐富的低資源語言也具有直接的借鑑價值，而基準測試所揭示的模型在情感、方言和長時內容上的退化，則為後續孟加拉語及其他低資源語言的ASR改進指明瞭方向。