摘要

由于隐私限制，医疗领域的公开可用语音识别数据集存在短缺。在本研究中，我们介绍了VietMed——一个越南语医疗语音识别数据集，包含16小时的标注医疗语音、1000小时的未标注医疗语音和1200小时的未标注普通领域语音。据我们所知，VietMed在七个方面是目前世界上最大的公开医疗语音识别数据集：总时长、说话人数、疾病种类、录音条件、说话者角色、独特医学术语和口音。此外，VietMed也是目前总时长最长的公开越南语语音数据集。我们首次发布了一个涵盖所有ICD-10疾病组和一个国家内所有口音的医疗自动语音识别（ASR）数据集。此外，我们还发布了首个大规模公开预训练模型w2v2-Viet和XLSR-53-Viet，以及首个大规模公开微调模型用于医疗ASR。即使在无监督预训练过程中没有任何医疗数据，我们的最佳预训练模型XLSR-53-Viet在医疗领域仍然表现优异，其测试集上的词错误率（WER）从51.8%降低到29.6%，相对降低了超过40%。所有代码、数据和模型均已公开发布：https://github.com/leduckhai/MultiMed/tree/master/VietMed。