多领域中文语音识别数据集 WenetSpeech 正式发布——有效下载教程

Posted 2021-12-05 墨理学AI

❤️【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 🚀 🚀

文章目录

• • 🥇 数据集介绍
  • • • 🔴 基础信息
      • 🔵 WenetSpeech 简介
      • 🟣 WenetSpeech 收集过程
      • 🟡 数据校验
      • 🔴 经典算法对比
  • 📘 下载正确打开方式
  • • • 🟧 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
      • 🟨 开始下载
  • 📙 致敬大佬

---

🥇 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

• 对应论文 ：https://arxiv.org/pdf/2110.03370.pdf
• 官方主页：https://wenet-e2e.github.io/WenetSpeech/
• 该部分介绍主要参考该文： https://mp.weixin.qq.com/s/lR22WmI5G2mPSuloZUcWVA
• 追求排版体验的同学，可自行复制跳转原文【上面链接】进行查阅

🔵 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

• https://wenet-e2e.github.io/WenetSpeech/

🟨 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

• 👋 语音数据集下载地址汇总| 免费的汉语说话人识别语料库 | Common Voice 数据集 | 下载总结

近期经典有趣博文推荐

• ❤️ 高效入门目标检测之YOLO实战系列精选——【1024专刊】
• ❤️ 初识超分重建——如何让女神更清晰，我的白月光【ICCV, 2021 超分重建之 BSRGAN】
• ❤️ 多阶段渐进式图像恢复 | 去雨、去噪、去模糊 | 有效教程（附源码）|【❤️CVPR 2021❤️】
• ❤️ 【深度学习入门项目】给学妹换个风格【❤️CVPR 2020 风格迁移之NICE-GAN❤️】
• ❤️ 【深度学习入门项目】将学妹的照片转换为铅笔素描 |【❤️Pattern Recognition 2020 之 U Square Net❤️】

---