Casablanca: Data and Models for Multidialectal Arabic Speech Recognition

In spite of the recent progress in speech processing and synthesis, the majority of world languages and dialects remain uncovered. This situation only furthers an already wide technological divide, thereby hindering technological and socioeconomic inclusion. This challenge is largely due to the absence of datasets that can empower diverse speech systems. In this paper, we seek to mitigate this obstacle for a number of Arabic dialects by describing a community effort to collect and transcribe a new dataset, Casablanca. We also develop a number of strong baselines exploiting Casablanca.

Paper

🤗 Data and Models

Features

What you get with Casablanca

Arabic Transcription

Casablanca provides high-quality, manual transcriptions of Arabic speech from various dialects, ensuring accurate phonetic representation across multiple regional accents.

Gender

The dataset includes balanced representation from male and female speakers, enabling the development of gender-aware speech models.

Dialect

Casablanca covers a wide range of Arabic dialects, including Algerian, Egyptian, Emirati, Jordanian, Mauritanian, Moroccoan, Palestinian, and Yemeni varieties. This diversity allows for the training and evaluation of dialect-specific speech recognition systems, addressing the unique characteristics of each dialect. .

Code-Switching (Latin)

The dataset captures instances of code-switching between Arabic and (English and French) (Latin script), reflecting common speech patterns in multilingual environments.

Code-Switching (Transliterated)

In addition to code-switching in Latin script, Casablanca includes code-switching words that has been transliterated using Arabic characters.

Segement Start-End

Each speech sample is precisely segmented with start and end timestamps, facilitating easy downloading the segments and aligning them with the transcriptions.

Speech

Examples

Dialect	Transcription	Transcription CS	Gender
Moroccoan	هاديك لا ميلتي ناصيونال لي كونت هضرتليك عليها خاصك تعرف بلي كاع الشركات الكبار لي كايديرو لي زافير الكبار بحالنا كايتمناو شي نهار يسنيو معاها عقد واحد	هاديك la multi-nationale لي كونت هضرتليك عليها خاصك تعرف بلي كاع الشركات الكبار لي كايديرو les affaires الكبار بحالنا كايتمناو شي نهار يسنيو معاها عقد واحد	Male
Egyptian	يو وليكم يا معلم.	you welcome يا معلم.	Male
Jordanian	انو هذا المطرب الهندي انترناشونال يعني بروفيشنال	انو هذا المطرب الهندي international يعني professional	Female
Algerian	بون نتوما امبوسيبل تحكمو هاد البوست , بصح تنجمو تخدمو خدمة وحدوخرى . هاو جنرال , هذا عندو الباك ؟ ما عندوش	Bon نتوما impossible تحكمو هاد poste , بصح تنجمو تخدمو خدمة وحدوخرى . هاو جنرال , هذا عندو الباك ؟ ما عندوش	Male
Palestinian	موافق موافق بس على شرط سنتين لالك و سنتين لالي يعني فيفتي فيفتي	موافق موافق بس على شرط سنتين لالك و سنتين لالي يعني fifty fifty	Male
Emirati	عيل أنا بعد يمعة، ما بثقل عليك بس هاتلي رويال جلي هذا زين، مب بس حقي، حقي و حق أبوي	عيل أنا بعد يمعة، ما بثقل عليك بس هاتلي royal jelly هذا زين، مب بس حقي، حقي و حق أبوي	Female
Yemeni	اوكى ، جىء من اجل اشرح لك كل شي	ok ، جىء من اجل اشرح لك كل شي	Male
Mauritanian	هذا بعد كاع دو بوش معروف اين سيل بوتون.	هذا بعد كاع deux poches معروف une seule button.	Male

Meet

Our team

Supervisors

Muhammad
Abdul-Mageed

Mustafa
Jarrar

Shady
Shehata

Ismail
Berrada

Team

Bashar
Talafha

Karima
Kadaoui

Samar
Magdy

Mariem
Habiboullah

Chafei
Mohamed

Ahmed
El-Shangiti

Hiba
Zayed

Mohamedou
Cheikh

Rahaf
Alhamouri

Rwaa
Assi

Aisha
Alraeesi

Hour
Mohamed

Fakhraddin
Alwajih

Abdelrahman
Mohamed

Abdellah EL MEKKI

Moatez
Nagoudi

Saadia
Benelhadj

Hamzah
Alsayadi

Walid
Al-Dhabyani

Sara
Shatnawi

Yasir
Ech-chammakhy

Amal
Makouar

Yousra
Berrachedi

Cite

Our paper

                  @article{talafha2024casablanca, 

                       title={Casablanca: Data and Models for Multidialectal Arabic Speech Recognition},

                       author={Talafha, Bashar and Kadaoui, Karima and Magdy, Samar Mohamed and Habiboullah, Mariem 
 
                                 and Chafei, Chafei Mohamed and El-Shangiti, Ahmed Oumar and Zayed, 

                                 Hiba and Alhamouri, Rahaf and Assi, Rwaa and Alraeesi, Aisha and others},

                       journal={arXiv preprint arXiv:2410.04527},

                       year={2024}

                  }