中文语音语料调研

中文语音数据集小调研

许多开源语音语料库都可以从openslr下载。

一、ST-CMDS

简介：ST-CMDS是由一个AI数据公司发布的中文语音数据集，包含10万余条语音文件，大约100余小时的语音数据。数据内容以平时的网上语音聊天和智能语音控制语句为主，855个不同说话者，同时有男声和女声，适合多种场景下使用。

下载：http://openslr.org/38/

二、thchs30

简介：thchs30是由清华大学语音与语言技术中心2015年发布的开源中文语音数据集。一共30 小时， 完全免费使用。

thchs30 还提供 217 个带有音调的中文音素作为标签和与中文汉字对应的字典，根据字典，每条语句都可以生成其音素标注

涉及领域：主要是新闻

下载：http://openslr.org/18/

三、zhvoice

来源github网址：zhvoice

简介：zhvoice语料由8个开源数据集，经过降噪和去除静音处理而成，说话人约3200个，音频约900小时，文本约113万条，共有约1300万字。

zhvoice语料比较原始数据而言，更加清晰和自然，减少了噪声的干扰，减少了因说话人说话不连贯造成的不自然。

zhvoice语料包含文本、语音和说话人3个方面的信息，可适用于多种语音相关的任务。

zhvoice语料由智浪淘沙清洗和处理。

应用场景 ：

（1）用于语音编码器模型，即把语音编码到预定维度的向量空间。

（2）用于声纹识别模型，用语音和对应的说话人标签。

（3）用于语音识别模型，用语音和文本，可以适当加噪声。

百度网盘下载：

链接: https://pan.baidu.com/s/1uHXE2WIt0kdm_dPSej-TtA

提取码: i5b3

四、AISHELL1：

简介： 2017 年，北京希尔贝壳科技有限责任公司发布了当时最大规模的用于语音识别研究和构建语音识别系统的中文普通话数据集 aishell-1，一共178小时，采样率16khz，量化精度16bit，400人录制，涉及智能家居、无人驾驶、工业生产等11个领域。

 

下载链接：http://cn-mirror.openslr.org/33/

五、Mandarin Chinese Read Speech Corpus

简介：Magic Data技术有限公司的语料库，语料库包含755小时的语音数据，其主要是移动终端的录音数据。邀请来自中国不同重点区域的1080名演讲者参与录制。句子转录准确率高于98％。录音在安静的室内环境中进行。数据库分为训练集，验证集和测试集，比例为51：1：2。诸如语音数据编码和说话者信息的细节信息被保存在元数据文件中。

涉及领域：录音文本领域多样化，包括互动问答，音乐搜索，SNS信息，家庭指挥和控制等。还提供了分段的成绩单。

应用：该语料库旨在支持语音识别，机器翻译，说话人识别和其他语音相关领域的研究人员。因此，语料库完全免费用于学术用途。

百度网盘下载：https://pan.baidu.com/share/init?surl=P0m2eicMaYZoMQe8zjjZxA  提取码：s61o

Reference：

[1] https://zhuanlan.zhihu.com/p/351502454

[2] https://github.com/KuangDD/zhvoice

[3] https://www.bilibili.com/read/cv3992691/

[4] https://blog.ailemon.net/2018/11/21/free-open-source-chinese-speech-datasets/