多领域中文语音识别数据集 WenetSpeech 正式发布——有效下载教程

Posted 墨理学AI

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了多领域中文语音识别数据集 WenetSpeech 正式发布——有效下载教程相关的知识,希望对你有一定的参考价值。

❤️【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 🚀 🚀


🥇 数据集介绍


🔴 基础信息

西北工业大学音频语音和语言处理研究组(ASLP Lab)、出门问问、希尔贝壳联合发布1万小时多领域中文语音识别数据集 WenetSpeech

🔵 WenetSpeech 简介

  WenetSpeech 除了含有 10000+ 小时的高质量标注数据之外,还包括2400+ 小时弱标注数据和 22400+ 小时的总音频,覆盖各种互联网音视频、噪声背景条件、讲话方式,来源领域包括有声书、解说、纪录片、电视剧、访谈、新闻、朗读、演讲、综艺和其他等10大场景,领域详细统计数据如下图所示。

🟣 WenetSpeech 收集过程


  下图中给出该 OCR 系统在不同场景下的几个典型示例。图中绿色的框为检测到的所有文字区域,红色的框为判定为字幕的文字区域,红色框上方的文本为 OCR 的识别结果。 可以看到,该系统正确的判定了字幕区域,并准确的识别了字幕文本,同时经过我们测试,发现该系统也可以准确判定字幕的起始和结束时间。

🟡 数据校验

  WenetSpeech 中选取置信度>=95%的数据作为高质量标注数据,选取置信度在0.6和0.95之间的数据作为弱监督数据。

🔴 经典算法对比


📘 下载正确打开方式


该下载方式记录时间:【2021-10-22记录】

🟧 下载主页

🟨 填写邮箱信息

🟦 提交成功界面如下

🟧 很快邮箱收到下载方式说明

让准备,500G 磁盘空间

🟨 开始下载

根据网速情况,下载大致需要 大半天吧

  • du -sh 数据集压缩包大小:309G
  • tree -L 3 查看数据集结构如下


📙 致敬大佬


WenetSpeech 是目前最大的开源普通话语音语料库,适用于产业级语音识别的研究


全人类的人工智能事业大概就是这样一步一步向前推动的吧

语音数据集总结博文如下

近期经典有趣博文推荐


以上是关于多领域中文语音识别数据集 WenetSpeech 正式发布——有效下载教程的主要内容,如果未能解决你的问题,请参考以下文章

信息技术丨可用于图像识别智慧医疗场景模拟等多领域

行业分析| 音视频呼叫邀请适用于多领域

百度开源深度学习平台PaddlePaddle

[ZZ] 多领域视觉数据的转换关联与自适应学习

百度&计蒜客 PaddlePaddle 深度学习实战训练营开营

Keras深度学习实战(41)——语音识别