本文介绍了四个中文语音数据集：AISHELL-1和AISHELL-2提供大量小时的训练数据，适合语音识别；THCHS-30由清华大学发布，包含训练和测试集；Primewords Chinese Corpus Set 1提供超过100小时的数据；ST-CMDS-20170001_1-OS由冲浪科技开源，包含855人的语音样本。这些数据集在语音识别和自然语言处理研究中具有重要价值。
1. AISHELL数据集
总共178小时，400个人讲，其中训练集340个人，测试解20个人，验证集40个人，每个人大概讲三百多句话，每个人讲的话都放在一个文件夹里面。
AISHELL-2结构类似（1000个小时），不过总共1991人讲，每个人有500句话，每个人讲的话可能会有重复。
2. thchs-30数据集
thchs-30是清华大学公布的超过三十个小时的数据集，选取1000句来录音。
字段解释：A（句子的ID是0~249），B（句子的ID是250~499），C（500~749），D（750~999）。ABC三组包括30个人的10893句发音，用来做训练和验证，D包括10个人的2496句发音，用来做测试。A2中的2表示编号为2的人，A2~A32（中间有些数字欠缺）以此类推。A2_0.wav和A4_0.wav讲的话其实是一样的，只不过前者由编号为2的人讲，后者由编号为4的人讲。
最低0.47元/天 解锁文章
扫一扫
1095
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
