LibriSpeech :
是一个阅读语音语料库,基于 LibriVox 的公共领域有声读物。 其目的是实现自动语音识别 (ASR) 系统的训练和测试。
语料库被分成几个部分,以使用户能够根据自己的需要有选择地下载它的子集。 名称中带有“clean”的子集被认为比其他音频和美国英语口音更“干净”(至少平均而言)。 该分类是使用非常粗糙的自动化手段获得的,不应被认为是完全可靠的。 子集是不相交的,即每个说话者的音频都被分配给一个子集。
语料库的架构如下所示:
* dev-clean, test-clean - 包含“干净”语音的开发和测试集。
* train-clean-100 - 训练集,大约 100 小时的“干净”语音
* train-clean-360 - 训练集,大约 360 小时的“干净”语音* dev-other, test-other - 开发和测试集,语音被自动选择为更具“挑战性”的识别
* train-other-500 - 大约 500 小时的训练集,包含未被归类为“干净”的语音
* intro - subset 仅包含一些读者的 LibriVox 介绍免责声明的子集
* mp3 - 语料库所基于的原始 MP3 编码音频
* texts - 语料库中音频所对应的文本
1. train-clean-100数据集的架构:
其中:
【19】:说话者的ID
【198/227】:说话者阅读的文章的章节
【*.trans.txt】:包含来自相应章节的文本,而 FLAC 文件为每个章节的语音。