企业资讯

​日前，，
，由陈果果、、都家宇、、张卫强等发起的语音社区志愿者组织SpeechColab和清华语音与音频技术实验室，，
，，联合语音社区的8个团队，，，在语音界大神Daniel Povey, Sanjeev Khudanpur, Shinji Watanabe等的大力支持下（详见下图），，发布了全球多领域英语开源数据集—GigaSpeech,介绍该数据集的论文已被国际语音顶会InterSpeech2021接收。。

GigaSpeech参与人员及团队，
，，完整论文下载见下文

弈桔很荣幸参与了本次开源数据集的工作，，为部分数据集提供了标注以及全部数据集的镜像下载支持，
，，也为全球语音识别技术的探索贡献了自己的力量。。。。

语音识别的性能
，，很大程度上取决于训练数据集的规模和覆盖性。。。现有的语音开源数据集适用领域狭窄，，
，缺少难度挑战，，，，准确率接近饱和
。
。。。学术界和工业界研究开始分道扬镳，，，，碎片化严重。。。
。作为目前全球多领域英语开源数据集，，GigaSpeech致力于推动学术界和产业界的共同进步。。。
。

以下文章来源于THUsatlab ，，作者THUsatlab

01

概述

GigaSpeech是一个不断发展的、、、多领域英语语音识别语料库。。它拥有10000小时的高质量标注音频，，，适用于有监督训练任务
；以及33000小时的总音频，，适用于半监督和无监督训练任务。。

02

数据来源及质量控制

从发音风格和覆盖主题入手，
，GigaSpeech从有声读物、、、播客和YouTube上收集了约33000小时的转录音频
，，
，
，以及对应的人工转录文本
、、、人工字幕等，，
，，涵盖诵读和自发口语等一系列不同风格
，，以及艺术、、
、、科学、、体育等多种主题。。
。。

在质量控制上，，，GigaSpeech提供一种新的强制对齐和分段处理pipeline工具
，，以创建适合ASR训练的句子段，
，，，并滤除低质量转录片段。。
。
。对于有监督训练任务，，，GigaSpeech提供了5个不同规模的子集。。。在过滤验证环节，，，，较大训练子集的词错误率控制在4%以下；其它较小规模的子集的词错误率控制在0%
。。
。

适用于有监督训练任务的数据子集详情

GigaSpeech提供了10小时、、、
、250小时、、1000小时、、、2500小时和10000小时等5个不同规模的子集，，，以适用于有监督训练任务。。详情如下表所示：

使用申请入口

GigaSpeech数据集已开放，，，欢迎大家使用。。
。。

申请入口：