个人信息Personal Information
副研究员
教师英文名称:Wei-Qiang ZHANG
教师拼音名称:zhangweiqiang
电子邮箱:
办公地点:电子工程馆5-111
联系方式:010-62781847
学位:博士学位
毕业院校:清华大学
学科:信号与信息处理
GigaSpeech:10000小时多领域英语开源数据集发布
点击次数:
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。作为目前全球最大的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。
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。
音频来源 | 标注小时数 |
总小时数 |
声学条件 |
有声读物 | 2,655 |
11,982 | 朗读;不同性别、年龄、口音 |
播客 |
3,498 |
9,254 | 干净或带背景音乐;室内;近场;自发口语;不同性别、年龄、口音 |
Youtube |
3,845 |
11,768 | 干净或带噪;室内、室外;近场、远场;朗读、口语;不同性别、年龄、口音 |
总计 |
10,000 | 33,005 |
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,最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%。
03 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:
数据子集 | 小时数 |
适用任务类型 |
XS |
10 |
System building and debugging |
S | 250 | Quick research experiments |
M |
1,000 |
Large-scale research experiments |
L |
2,500 |
Medium-scale industrial experiments |
XL |
10,000 | Large-scale industrial experiments |
04 开发集和测试集
数据子集 | 小时数 |
说明 |
Dev |
12 |
Randomly selected from the crawled Podcast and YouTube Data |
Test | 40 | Part of the subset was randomly selected from the crawled Podcast and YouTube data; part of it was manually collected through other channels to have better coverage. |
05 排行榜
为方便使用,GIgaSpeech为主流的ASR框架提供了baseline的训练脚本,并开放leaderboard排行榜,目前提供的系统包括Athena、Espnet、Kaldi、Pika、WeNet,后续还将继续更新与完善。
工具集 |
系统 |
链接地址 |
Dev/Test WER |
Athena |
Transformer-AED + RNNLM | https://github.com/athena-team/athena/tree/master/examples/asr/gigaspeech | 13.60 / 12.70 |
Espnet | Conformer/Transformer-AED | https://github.com/espnet/espnet/tree/master/egs2/gigaspeech/asr1 | 10.90 / 10.80 |
Kaldi | Chain + RNNLM | https://github.com/kaldi-asr/kaldi/tree/master/egs/gigaspeech/s5 | 14.78 / 14.84 |
Pika |
RNN-T | https://github.com/tencent-ailab/pika/tree/ | 12.30 / 12.30 |
WeNet |
Conformer-AED | https://github.com/wenet-e2e/wenet/tree/main/examples/gigaspeech/s0 | 11.00 / 10.90 |
06 使用申请入口
GigaSpeech数据集已开放,欢迎大家使用。
申请入口 :
https://forms.gle/UuGQAPyscGRrUMLq6
更多细节,请访问github链接:
https://github.com/SpeechColab/GigaSpeech
预印版论文地址(已被InterSpeech 2021接收) :
https://arxiv.org/abs/2106.06909
07 进一步合作
我们是一群试图让语音技术更易于使用的志愿者,欢迎各种形式的合作与贡献。目前我们正在探索以下方向,如果您对某些方向感兴趣,并且认为自己能够提供帮助,请联系 gigaspeech@speechcolab.org。
不同预训练模型的推理架构
增加多样化的数据来源
对语音算法/服务进行基准测试
构建和发布预训练模型
支持更多语言
支持更多任务(例如说话人识别等)
制作新数据集
08 发起人