语种识别公开语料库（可用于学术科研和项目研究）（自用）

在做语种识别任务中，初期的语料库的收集就显得尤为重要，下面整理了常用到的几个语种数据集，希望对大家能够有所帮助。

1. Voxforge

Voxforge数据集下载地址：http://www.voxforge.org/zh
数据集特点：

1. 英语、法语、德语、西班牙语、意大利语、俄语的样本数据均较为丰富，可以使用，
2. 数据集的某些数据存在噪声，并且每个音频的录制设备差异较大。

2.Common Voice:

Common Voice公开语料集下载：
数据集特点：

1. 语料更新较快
2. 每个语种的数据大小变化较大，主要还是主要语种的数据较多
3. 所以文件均为mp3文件，音频信息有所损失
4. 音频未经过严格审核，也含有少量噪声

3.LibriVox

LibriVox语料库下载地址
数据集特点：

1. 所有数据均为朗读音频，非常纯净，
2. 因为语音纯净，也可以用来做加噪实验
3. 语种数量较少，仅有英语、法语、德语、西班牙语、意大利语五个语种的训练样本够多。

4.中文thchs30数据

中文thchs30语料库下载：http://www.openslr.org/18/
数据集特点：

1. 国内公布的中文的数据集，数据知名度很高
2. 可以与其他数据集组成大的训练数据

5.Slavic language recordings

Slavic language recordings 语种下载地址：

6.Kaggle公开数据集

Kaggle语种数据搜索：
数据集特点：

1. 使用的人较少，可以作为补充数据集

7.IIIT-H Indic Speech Databases

数据下载地址：http://festvox.org/databases/iiit_voices/

数据特点：

1. 阿三国发表的论文应用的比较多
2. 主要是阿三国的方言识别，在国内可能不太适用

8 聚数力（目前数据免费）

数据网站地址：聚数力官网链接：
数据特点：

1. 应用较少，可以作为补充数据集

9.speechbrain公开的语种语料

45语种
github地址：45语种的github地址，戳进来即可

共计45种语种，每个语种的数据相对均衡。

107语种
github地址：107语种链接，内附下载地址和下载方法，直接戳进来即可

共计107种语种，每个语种的语料时长不一致。

数据集特点：

1. speechbrain公布的两个多语种的语料库，可以和以往的方案作对比
2. 每个数据集的样本数存在较大区别
3. 107语种的数据量较大