解决印地语数据稀缺的语音识别训练难题【内含数据集】

众所周知，印度作为世界第二人口大国，是世界上发展最快的国家之一，经济增长速度引人瞩目。同样印度的互联网市场也处在一个高速发展的阶段，截至2021年上半年，印度拥有近7亿的互联网用户，位居世界第二。每年还会新增超过一亿的互联网人口。互联网渗透率为55%，还不及仅有3亿人口的印尼。在印度，人们平均每天花费7小时上网冲浪。而他们在网络上最常做的事就是社交、游戏和看视频。这样的互联网用户基础，无疑蕴含着巨大的商机。

但语言问题就像一个“幽灵”始终困扰着印度社会。目前印度宪法承认的全国性官方语言分别为：印地语与英语，但除此之外，官方还承认了多达21种地区性官方语言，形成了“多语共存”、“多语竞争”的语言困局，也让印度成为了语言情况最为复杂的国家之一。

语言之惑：印地语 vs 英语

印地语与英语虽然均被定义为全国性的官方语言，但英语对于印度来说毕竟是一种外来语言，所以在印度基本没有以英语为母语的人口存在。根据2011年印度人口普查数据（迄今最近的一次人口普查），当时在印度大约只有1.3亿人真正会说英语，这个比例仅占印度总人口的10%左右。但因为英语在印度具有官方地位，所以印度许多政府的文件，以及一些跨地区的活动中都会使用英语，而且印度的政府官员有许多会说英语ÿ