小语种常常面临着资源有限、代际传递减弱、缺乏识别等挑战。这威胁到他们的生存和他们所代表的文化多样性。
然而，现代技术的进步，特别是在数据资源和语音识别领域，被证明是保护这些语言的关键工具。数据资源在记录和研究小语种方面发挥着至关重要的作用。通过积累书面文本、录音和多媒体内容，语言学家和研究人员可以建立全面的语言数据库。这些数据库捕捉了语音、语法、词汇和文化背景的细微差别。这些丰富的信息不仅确保了这些语言的保存，而且还促进了它们的研究和分析。在机器学习和人工智能的推动下，语音识别技术有潜力弥合语言障碍，为少数民族语言提供发言权。通过语音识别应用程序，这些语言可以被更广泛地转录、翻译和共享。这项技术不仅可以帮助语言学家进行研究，还可以使流利的使用者参与到保存过程中并做出贡献。不同利益相关者之间的合作至关重要。政府和组织应为语言文献项目分配资源，鼓励数据资源的收集和数字化。母语人士和当地社区对于提供语言专业知识和文化见解至关重要。语言学家和技术专家携手合作，开发准确的语音识别模型，可以有效地理解和转录小语种。此外，数据资源和语音识别的交叉点超出了保存的范围。它可以创建交互式语言学习工具和数字平台。这些平台可以为学习者提供身临其境的体验，有助于弥合代际差距并重新点燃对语言的兴趣。支持语音识别的语言应用程序可以促进实时对话，帮助学习者发音和交流。
亿蝌语料少数民族语言语音数据集
120 小时 - 手机缅甸语会话语音数据 120 小时 - 缅甸语会话语音数据涉及 130 多名母语人士，在性别比例适当平衡的情况下开发，说话者会从给定列表中选择一些熟悉的主题并开始对话，保证对话的流畅、自然。录音设备为各种手机。音频格式为16kHz、16bit、未压缩的WAV，所有语音数据均在安静的室内环境中录制。所有语音音频均由人工转录，包含文本内容、每个有效句子的开始和结束时间以及说话人识别。
320 小时 - 达里语电话会话语音数据 通过电话收集的 320 小时 - 达里语会话语音数据涉及 330 多名母语人士，性别比例适当平衡，演讲者会从给定列表中选择一些熟悉的话题并开始对话确保对话的流畅和自然。录音设备为各种手机。音频格式为8kHz、8bit、WAV，所有语音数据均在安静的室内环境中录制。所有语音音频均由人工转录，包含文本内容、每个有效句子的开始和结束时间以及说话人识别。
200 小时 - 乌尔都语电话会话语音数据 通过电话收集的 200 小时 - 乌尔都语会话语音数据涉及 230 多名母语人士，在性别比例适当平衡的情况下开发，演讲者会从给定列表中选择一些熟悉的话题并开始对话确保对话的流畅和自然。录音设备为各种手机。音频格式为8kHz、8bit、WAV，所有语音数据均在安静的室内环境中录制。所有语音音频均由人工转录，包含文本内容、每个有效句子的开始和结束时间以及说话人识别。 200 小时 - 普什图语电话会话语音数据 通过电话收集的
200 小时 - 普什图语会话语音数据涉及 230 多名母语人士，性别比例适当平衡，演讲者会从给定列表中选择一些熟悉的话题并开始对话确保对话的流畅和自然。录音设备为各种手机。音频格式为8kHz、8bit、WAV，所有语音数据均在安静的室内环境中录制。所有语音音频均由人工转录，包含文本内容、每个有效句子的开始和结束时间以及说话人识别。
