语音识别数据集-TIMIT数据集-中文超详细解析

TIMIT数据集

前言

该文章会详细介绍TIMIT数据集的文件组成、内部文件格式以及如何使用TIMIT数据集。同时还会介绍TIMIT是如何组织数据以及划分训练集与测试集的，可以为今后自己构建数据集提供一种思路。
关键词：TIMIT数据集、语音识别、音素、人工音频标签；

文件

基本信息

• 大小：约650MB
• 创建时间：1986年1月至5月

组织形式

/语料库/用处/方言地区/性别+说话者ID/句子ID.文件类型

• 语料库：TIMIT
• 用处：DOC、TEST、TRAIN
• 方言地区：DR1～DR8
• 性别：F/M
• 说话者ID：3大写字母+1阿拉伯数字
• 句子ID：句子类型（SA/SI/SX）+编号
• 文件类型：wav、txt、wrd、phn

详细介绍请看下文。

大致结构

一级目录	二级目录	三级目录
/TIMIT	/DOC	@包含文档
	/TEST	/DR1～/DR8
	/TRAIN	/DR1～/DR8
	README.DOC

@包含文档

• prompts.txt（10/31/88）：包含所有句子的文本内容+句子种类编号。eg.【She had your dark suit in greasy wash water all year. (sa1)】

• spkrinfo.txt（10/15/90）：包含所有说话者的信息。

• spkrsent.txt（10/15/90）：包含每个说话人说的句子号。

• timitdic.txt（10/12/90）：TIMIT句子中每个单词的音素标识符。

• phonecode.doc（10/12/90）：说明音素标识规则。

• timitdic.doc（10/11/90）：说明音素规则。

• testset.doc（10/11/90）：测试集&划分规则。

内容

背景&开发者

TIMIT语料库是为声学语音知识的获取（模型训练）以及自动语音识别系统（ASR）的评估（模型测试）而构建的，是由国防部赞助，在研究计划署（DARPA-ISTO）、麻省理工学院（MIT）、斯坦福研究院（SRI）、德州仪器（TI）共同努力下完成。

TIMIT= TI+MIT，德州仪器+麻省理工大学？ //猜测

包含：6300个句子。

说话人信息

由来自美国8个主要方言地区的630位说话者讲10个句子构成。

说话人分布如下：

<

Region(dr)	Male	Female	Total
1	31 (63%)	18 (27%)	49 (8%)
2	71 (70%)	31 (30%)	102 (16%)