多领域 ASR 英语语料库——GigaSpeech 基本介绍-阿里云开发者社区

多领域 ASR 英语语料库——GigaSpeech 基本介绍

2022-02-02 402

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 附有效下载教程

❤️ 【专栏：数据集整理】❤️ 之【有效拒绝假数据】
👋 Follow me 👋，一起学更多有趣 AI、冲冲冲 🚀 🚀

📔 基础信息

0-论文

https://github.com/SpeechColab/GigaSpeech
https://arxiv.org/abs/2106.06909
GigaSpeech: An Evolving, Multi-domain ASR Corpus with 10,000 Hours of Transcribed Audio
论文摘要如下

本文介绍了 GigaSpeech，这是一个不断发展的多领域英语语音识别语料库，具有 10,000 小时适合监督训练的高质量标记音频，以及 40,000 小时适合半监督和无监督训练的总音频。大约 40,000 小时的转录音频首先从有声读物、播客和 YouTube 中收集，涵盖阅读和自发说话风格，以及各种主题，如艺术、科学、体育等。提出了一种新的强制对齐和分割管道创建适合语音识别训练的句段，并过滤掉转录质量低的句段。对于系统训练，GigaSpeech 提供了五个不同大小的子集，10h、250h、1000h、2500h 和 10000h。对于我们的 10,000 小时 XL 训练子集，我们将过滤/验证阶段的单词错误率上限为 4%，而对于所有其他较小的训练子集，我们将其上限为 0%。另一方面，DEV 和 TEST 评估集由专业的人工转录员重新处理，以确保高转录质量。为流行的语音识别工具包提供了基线系统，即 Athena、ESPnet、Kaldi 和 Pika。

📕 数据集介绍

备注：该部分内容属于截图整理
声明：本部分数据集介绍摘自——清华语音与音频技术实验室

0-1
0-2
0-3
0-4
0-5
0-6

声明：本部分数据集介绍摘自——清华语音与音频技术实验室
致敬各位大佬

0-7

📘 下载正确打开方式

🟧 下载主页申请入口如下

1-0

🟨 填写必要信息

1-1

🟦 提交成功界面如下

如果填写有误，还可重新编辑

1-2

🟧 很快邮箱收到下载方式说明

查阅你的邮箱，会得到类似这样的回复

Dear moli,

Thank you for agreeing to GigaSpeech's terms of access. A copy of your agreement has also been attached at the end of this email. To download GigaSpeech:

 1. Clone the GigaSpeech repo
 
  Run: git clone https://github.com/SpeechColab/GigaSpeech.git

 2. Create password file under GigaSpeech/SAFEBOX

  这里会有一个加密解密的命令需要运行

 3. Download Gigaspeech
 
  3.1 Make sure you have at least 1.2T of free space under the destination directory
  3.2 Run: bash utils/download_gigaspeech.sh YOUR_DESTINATION_DIRECTORY

Regards,
The SpeechColab Team