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

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多