VSRo-200: Um Conjunto de Dados de Reconhecimento Visual de Fala em Romeno para Estudar Supervisão e Robustez Multimodal

arXiv:2607.08112v1 Tipo de Anúncio: novo Resumo: Apresentamos o VSRo-200, o primeiro conjunto de dados em larga escala para reconhecimento visual de fala (leitura labial) em romeno, composto por 200 horas de vídeos reais de podcasts. Todas as amostras são anotadas com pseudorrótulos gerados por um modelo de ASR romeno ajustado, enquanto um subconjunto de 100 horas é adicionalmente transcrito por humanos, possibilitando uma análise controlada da qualidade da supervisão sob uma estrutura unificada. Com base nesse conjunto de dados, estabelecemos um benchmark para...