语音识别数据集

目录

Voice Activity Detection

自己采集：

1. ASR Resources（语音识别资源）

2. LM Resources（语言模型资源）

这是一个数据表：

噪声数据集：

---

Voice Activity Detection

自己采集：

自己分别采集有有声音的，没有声音的

多人说话的，

在语音识别（ASR）中，ASR Resources 和 LM Resources 各自有不同的含义和作用。下面是它们的详细解释：

1. ASR Resources（语音识别资源）

ASR 是 Automatic Speech Recognition，即 自动语音识别。是将语音信号转化为文本。包括：

• 音频数据集：用于训练ASR模型的语音数据，如包含不同口音、环境噪音、语速等的多样化音频文件。

• 声学模型：用于将音频信号转换为音素（语音单元）或词的模型，通常通过深度神经网络（如DNN、CNN、RNN）进行训练。

• 词典：包含音素与词汇的映射关系，帮助ASR系统从音频信号识别出正确的词。

• 标注数据：通常包括每个音频片段与其对应的正确转录文本，这些数据用于训练和评估ASR模型。

2. LM Resources（语言模型资源）

LM 是 Language Model（语言模型）的缩写。语言模型在语音识别中的作用是根据上下文来预测词语的出现概率，从而提高识别的准确性。LM Resources 指的是构建和使用语言模型所需的各种资源，主要包括：

• 语言建模语料库：用于训练语言模型的文本数据集。它包含大量的文本，帮助模型学习语言的结构、语法和常见的词组搭配。

• 预训练语言模型：例如3-gram、5-gram等n-gram模型或更复杂的神经网络语言模型（如RNN、LSTM、Transformer），用于捕捉词语之间的统计关系。

• 词汇表：包含所有模型可能识别的词汇，可以是训练语言模型时的一个子集，帮助限制可能出现的词的范围。

总结：

• ASR Resources 主要关注与语音信号和音频处理相关的资源，用来从语音转化为文本。

• LM Resources 主要关注文本数据和语言结构，用来提高语音识别的上下文理解和准确性。

这两者结合，能显著提高语音识别系统的整体效果。

这是一个数据表：

名称	小时数	语言数	链接	许可证	md5sum
Bible.is	53,138	1,596	https://live.bible.is/bible/EN1ESV/MAT/1	独特的	ea404eeaf2cd283b8223f63002be11f9
globalrecordings.net	9,743	6,171	Global Recordings Network	CC BY-NC-SA 4.0	3c5c0f31b0abd9fe94ddbe8b1e2eb326
VoxLingua107	6,628	107	https://bark.phon.ioc.ee/voxlingua107/	CC BY 4.0	5dfef33b4d091b6d399cfaf3d05f2140
Common Voice	30,329	120	Common Voice	CC0	5e30a85126adf74a5fd1496e6ac8695d
MLS	50,709	8	openslr.org	CC BY 4.0	a339d0e94bdf41bba3c003756254ac4e
总计	150,547	6,171+

可以直接下载的：

MLS

Common Voice

噪声数据集：

https://github.com/snakers4/silero-vad/wiki/Quality-Metrics#sample-rate-comparison

 

Dataset	Duration, hours	Domain
ESC-50	2.7	Environmental noise
AliMeeting test	43	Far/near meetings speech
Earnings 21	39	Calls
MSDWild	80	Noisy speech
AISHELL-4 test	12.7	Meetings
VoxConverse test	43.5	Noisy speech
Libriparty test	4	Noisy speech
Private noise	0.5	Noisy calls without speech
Private speech	3.7	Speech
Multi-Domain Validation	17	Multi