LibriHeavy: 50,000小时的开源自动语音识别语料库

RayRay
Libriheavy语音识别数据集标点符号上下文Github开源项目

LibriHeavy:50,000小时的开源自动语音识别语料库

LibriHeavy是一个革命性的大规模开源自动语音识别(ASR)语料库,包含50,000小时的英语语音数据。这个语料库不仅规模庞大,还包含了丰富的语言信息,如标点、大小写和上下文,为ASR研究和应用提供了前所未有的资源。

语料库概况

LibriHeavy是基于LibriVox项目的公开有声书籍音频构建而成的。它是目前最大的带有监督信息的开源语音语料库之一。与其他只提供规范化文本的开源数据集不同,LibriHeavy包含更丰富的信息:

  • 标点符号
  • 大小写信息
  • 上下文文本

这些额外的信息为ASR系统的构建提供了更大的灵活性。研究人员可以利用这些信息训练出更加智能和自然的语音识别模型。

数据集构建

LibriHeavy的构建过程充分利用了先进的音频对齐和分割技术。研究团队提出了一种通用高效的流水线来定位、对齐和分割LibriLight中的音频到相应的文本。具体步骤包括:

  1. 下载原始文本
  2. 第一阶段对齐:使用自动识别结果定位音频在原书中的大致位置
  3. 第二阶段对齐:使用Levenshtein对齐算法精确定位
  4. 音频分割:将长音频切分为2-30秒的短片段

这种方法不仅高效,而且具有很强的通用性,可以应用于其他音频对齐任务。

LibriHeavy pipeline

数据集规模与统计

LibriHeavy保持了LibriLight的原始数据集划分,包含三个训练子集:

  • small: 500小时
  • medium: 5,000小时
  • large: 50,000小时

此外,还提取了开发集和测试集用于验证和测试。

数据集的一些重要统计信息如下:

子集小时数书籍数每位说话人平均小时数说话人总数平均时长(秒)
small5091731.2241714.9
medium5,0429603.291,53114.8
large50,7948,5927.546,73614.8
dev22.31800.1614115.0
test-clean10.5870.157014.7
test-other11.51120.167214.6

这些统计数据显示,LibriHeavy不仅规模庞大,而且具有很好的多样性,包含了大量的说话人和书籍。

数据格式与下载

LibriHeavy的音频文件与LibriLight相同,可以从LibriLight项目下载。清单文件托管在Hugging FaceModelScope(面向中国大陆用户)上。

清单文件采用JSON格式,包含丰富的元数据信息,如音频片段的ID、开始时间、持续时间、文本内容等。研究人员可以根据需要选择使用带标点和大小写的完整格式版本,或者规范化的版本(全大写无标点)。

基准模型与性能

为了展示LibriHeavy的实用性,研究团队基于两种主流的端到端ASR模型架构训练了基准系统:

  1. CTC-Attention模型
  2. 神经转录器(Transducer)模型

这些模型在LibriHeavy的不同子集上进行了训练,并在LibriSpeech和LibriHeavy的测试集上进行了评估。结果显示,随着训练数据量的增加,模型性能显著提升。

以下是在large子集(50,000小时)上训练的Transducer模型的部分结果:

  • LibriSpeech测试集WER: clean 1.62%, other 3.36%
  • LibriHeavy测试集WER: clean 2.20%, other 5.57%

这些结果证明了LibriHeavy数据集的高质量和有效性。

开源与影响

LibriHeavy项目不仅开放了数据集,还开源了数据集构建流水线的代码。这为语音识别研究社区提供了宝贵的资源,可以促进更多创新性的研究。

LibriHeavy的出现有望在以下方面产生重要影响:

  1. 推动大规模端到端ASR模型的研究与发展
  2. 促进带有标点和大小写的ASR系统的研究
  3. 为上下文感知的ASR提供数据支持
  4. 为语音合成、说话人识别等相关任务提供资源

结语

LibriHeavy作为一个包含丰富语言信息的大规模开源ASR语料库,为语音识别技术的进步提供了强大的推动力。它不仅规模庞大,而且包含了标点、大小写和上下文等关键信息,为研究人员提供了前所未有的资源。随着这一语料库的广泛应用,我们有理由期待在语音识别精度、自然度以及智能程度上都能取得新的突破。LibriHeavy的开放性也体现了开源精神,将推动整个语音识别社区的共同进步。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多