Naukowcy z wykorzystaniem YouTube stworzyli Lipi-Ghor, pierwszy naprawdę duży i nowoczesny corpus mowy bengalskiej zawierający 885 godzin audio. Zbiór powstał z 998 filmów rozsianych na 596 kanałach YouTube, obejmując 17 różnorodnych dziedzin - od audiobooks po dramaty, kazania religijne, wiadomości i dialekty regionalne. Każdy fragment został adnotowany w formacie SSTT (Speaker, Speech, Transcription, Timestamp), łącząc zautomatyzowaną diaryzację z napisami z YouTube, co dla bengalskiego jest pierwszą rzeczą takiej skali.
Bengalski, którym posługuje się ponad 230 milionów ludzi, pozostawał niedostatecznie reprezentowany w badaniach nad mową. Istniejące otwarte korpusy ASR dla tego języka ograniczały się do krótkich fragmentów mowy czytanej lub generowanej przez crowdsourcing, bez diaryzacji mówiących i bez dłuższych nagrań. Lipi-Ghor zmienia tę sytuację, oferując pierwszy corpus bengalski łączący dużą skalę z diaryzacją i długoformowym audio.
Badacze przetestowali cztery popularne modele ASR zarówno w wariancie zero-shot, jak i po fine-tuningu na swoich danych. Wszystkie cztery modele wykazały konsystentne degradacje wydajności na treściach emocjonalnych, dialektalnych i długoformowych, co sugeruje, że ogólne modele ASR słabiej radzą sobie z wariancją naturalnie występującą w mowie rzeczywistej. Ponieważ napisy YouTube zawierają błędy, badacze dodatkowo opublikowali złoty zestaw testowy zweryfikowany przez 17 wolontariuszy. Najważniejsze jednak - opublikowali całą metodologię jako replikowalny pipeline dla każdego języka, który ma wystarczającą ilość filmów z napisami na YouTube.