[論文レビュー] Task-Lens: Cross-Task Utility Based Speech Dataset Profiling for Low-Resource Indian Languages

Swati Sharma, Divya Sharma+1 more|arXiv (Cornell University)|Feb 16, 2026

ICT in Developing Communities被引用数 0

ひとこと要約

Task-Lensは、9つの下流タスクに対するクロス・タスク適性、ギャップ、および言語カバレッジを明らかにするため、26言語にまたがる50のインド語音データセットを系統的にプロファイリングし、ターゲットデータ再利用とデータセット作成を可能にします。

ABSTRACT

The rising demand for inclusive speech technologies amplifies the need for multilingual datasets for Natural Language Processing (NLP) research. However, limited awareness of existing task-specific resources in low-resource languages hinders research. This challenge is especially acute in linguistically diverse countries, such as India. Cross-task profiling of existing Indian speech datasets can alleviate the data scarcity challenge. This involves investigating the utility of datasets across multiple downstream tasks rather than focusing on a single task. Prior surveys typically catalogue datasets for a single task, leaving comprehensive cross-task profiling as an open opportunity. Therefore, we propose Task-Lens, a cross-task survey that assesses the readiness of 50 Indian speech datasets spanning 26 languages for nine downstream speech tasks. First, we analyze which datasets contain metadata and properties suitable for specific tasks. Next, we propose task-aligned enhancements to unlock datasets to their full downstream potential. Finally, we identify tasks and Indian languages that are critically underserved by current resources. Our findings reveal that many Indian speech datasets contain untapped metadata that can support multiple downstream tasks. By uncovering cross-task linkages and gaps, Task-Lens enables researchers to explore the broader applicability of existing datasets and to prioritize dataset creation for underserved tasks and languages.

研究の動機と目的

• メタデータと特性を用いてインド語音データセットのクロス・タスク適性を評価する。
• 元の用途を越えて複数の下流タスクをサポートするデータセットを特定する。
• タスク対応の強化を提案し、データセットの活用範囲を広げる。
• 十分でない言語とタスクを強調し、ターゲットデータ収集を導く。

提案手法

• インド語リソースに関連する査読済み刊行物やレジストリポータルからデータセットを探索する。
• インド語コンテンツと抽出可能なメタデータを保証する2段階フィルタリング。
• 標準化スキーマを用いて各データセットから10個の記述的特徴を抽出。
• 9つの下流タスクへデータセット特徴を対応付けるタスク–特徴関連マトリクス。
• タスク対応状態の定義：データセットが特定タスクの「必須」特徴をすべて満たす場合にタスク対応とみなす。

Figure 1: Task-Lens: It involves dataset discovery, dataset filtering, feature extraction, followed by utility mapping that aligns dataset features with task needs via a Task-feature relevance matrix labeled as Required and Optional or Not Applicable. A dataset is ‘Task-Ready’ for a task if it satis

実験結果

リサーチクエスチョン

• RQ1 各データセットは現在どのタスクをサポートしているか？
• RQ2 クロス・タスク適用に適したデータセットにするにはどのような強化が必要か？
• RQ3 インド文脈で十分なデータセット支援が不足している音声研究の領域はどこか？
• RQ4 各タスクごとにどのインド語が十分にカバーされ、どこにギャップがあるか？

主な発見

• インド語音データセット50件、26言語、総計91,257時間の音声を分析。
• D4, D6, D15, D16, D18, D22, D29, D34, D35 など、複数のデータセットが9タスク中7つをサポートするための必須特徴を有する。
• 話者識別子、合成音声、感情ラベルは一般的に欠如しており、SV/SID, ADD, SER のクロス・タスク適性を制限。
• タスクT3（LID）とT9（GRE）は、多言語プールと共有データセットによりカバレッジが高く、約90,000時間に達する。
• SERは最もデータが少なく、約785時間にとどまり、インド語のデータギャップを示す。

Figure 2: Distribution of total dataset duration for each task in hours for direct comparison. There is an urgent need of datasets for tasks $T_{4}$ (SV/SID), $T_{5}$ (ADD), and $T_{6}$ (SER).