语音翻译常用数据集

最新推荐文章于 2025-04-30 10:20:28 发布

猪猪小宝y

最新推荐文章于 2025-04-30 10:20:28 发布

阅读量2.6k

点赞数

分类专栏： NLP 文章标签： nlp

本文链接：https://blog.youkuaiyun.com/qq_37443534/article/details/119325331

版权

本文介绍了三个常用的语音翻译数据集：Fisher and CALLHOME Spanish-English Speech Translation、Multilingual Speech Translation Corpus (MuST-C) 和 Europarl-ST。每个数据集的来源、特点、规模以及相关研究文章都有详细说明，涵盖了多语言、大规模的特点，适用于训练和评估语音翻译系统。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

语音翻译常用数据集

Fisher and CALLHOME Spanish-English Speech Translation

【基本信息】

Fisher and CALLHOME Spanish-English Speech Translation数据集是由约翰霍普金斯大学开发的，包含英语参考翻译和语音识别器各种形式的输出，补充了LDC Fisher Spanish (LDC2010T04) 和CALLHOME Spanish音频和转录版本 (LDC96T17)。两者一起组成了一个四向平行的数据集，包括西班牙语音频、转录、语音识别词图（ASR lattices）和大约38小时的语音的英文翻译。

源数据是由LDC开发的Fisher Spanish和CALLOME Spanish语料库，包括各种方言的（主要是母语）西班牙语使用者之间转录的电话对话。Fisher Spanish数据集包含 819 次转录对话，内容涉及各种提供的主题，主要是在陌生人之间，产生大约160小时的在发音级别对齐语音，包含150万个token。CALLHOME Spanish语料库包括120份主要是朋友和家人之间自发对话的转录，产生了大约20小时的在发音级别对齐语音，转录文本仅超过20万个token。