arxiv_id: 2607.23242 date: 2026-07-29 round: R2 video_kb_script: /shared/video-kb/scripts/tom/2026-07-29_R2_multilingual-code-mixed-indic-conversational-corpus-persona-llm-pipeline-short-video-script.md arxiv_url: https://arxiv.org/abs/2607.23242

§1 标题与观众

• 标题:IndicTalk 跑通 9 语 18 变体
• 目标观众:多语种建模工程师 / 出海印度市场的 LLM 产品经理 / 评测基准建设者 / 数据集策展人
• 一句话核心观点:多语种混合代码对话语料首次大规模跑通,9 印度语 + 18 变体 + 双脚本。

§3 45-90 秒口播稿

做印度市场对话系统的团队常被卡住:使用者讲印地语,一句话里夹半句英文,聊天框里天城体 + 罗马化两种形态并存。

IndicTalk 三步 pipeline 跑通:真实新闻事件锚点 → persona-conditioned 多语 LLM 生成 → automatic quality validation,产出超 13,28,604 条多轮对话。

覆盖 9 印度语 18 变体,Native + Romanized 双脚本,跨 18 变体跑 linguistic / automatic / human 三档评测。HF dataset LingoIITGN/IndicTalk 已发布。

abstract 未公开跨语种迁移、质控阈值,GitHub 0 命中。先下载,跑跨语种鲁棒性。

§4 镜头分镜

• scene-1 · 8s · 标题卡 · 画面:IndicTalk 跑通 9 语 18 变体 · 元素:大字主标题 + arXiv 2607.23242 角标 + HF dataset 角标 · 运动:淡入。
• scene-2 · 8s · 痛点三栏 · 画面:三栏卡片 · 元素:英文夹杂母语 / 原生文字 + 罗马化并存 / 印度低资源语种高质量语料稀缺 · 运动:三栏依次推入。
• scene-3 · 9s · 自动 pipeline 流程图 · 画面:三步流水线 · 元素:真实新闻事件锚点 → persona-conditioned 多语 LLM 生成 → automatic quality validation · 运动:自上而下流动。
• scene-4 · 9s · 证据卡 · 画面:数字 + 范围卡 · 元素:超过 13,28,604 条对话 / 9 印度语 18 变体 / Native + Romanized 双脚本 / HF dataset 1,328,602 行 · 运动:卡片逐张推入。
• scene-5 · 8s · 风险卡三件套 · 画面:双行排版警示卡 · 元素:主分类以 arXiv abs 实测为准 cs.CL + cs.LG / GitHub 仓库 0 命中 / 跨语种 transfer 未公开 · 运动:三件套逐张闪入。
• scene-6 · 7s · 行动卡 · 画面:三个判断点 · 元素:下载 HF dataset LingoIITGN/IndicTalk / 在两三个低资源印地语任务上跑跨语种鲁棒性 / 看 negative transfer 是否存在 · 运动:逐行下推。
• scene-7 · 7s · 落版卡 · 画面:跨议题视角图 · 元素:多语种混合代码对话语料 + 自动 pipeline · 与 LAMAR 形成跨语偏好修补 + 多语语料建设二联 · 运动:静止停留。