首页  >  IT频道  >  业界资讯  > 正文

数据堂开源1505小时中文普通话语音数据集

2019-05-21 16:13:39 | 来源: 北国网 | 编辑: 朱安娜 | 责编: 郑思雯
分享到:

  5月20日,数据堂推出AI数据开源计划,面向高校和学术机构等非商业组织群体,首次开源的数据集为:1505小时中文普通话语音数据集。

  该数据集的录音内容,由6408名来自中国不同地区的录音人参与录制,有超过30万条口语化句子。句准确率达98%以上。

  从评测效果来看,通过运行GMM-HMM混合模型和DNN-HMM混合模型,基于数据堂开源数据集【1505小时中文普通话语音数据集】的语音识别基准实验完成,其识别准确率如下所示:

  aidatatang_1505zh(完整的1505小时中文普通话语音数据集)

数据堂开源1505小时中文普通话语音数据集

  Aidatatang_200zh(基于完整数据集精选的200小时中文普通话语音数据集)

数据堂开源1505小时中文普通话语音数据集

  注:

  CER(Character Error Rate)指字识别错误率。

  SER(Sentence Error Rate)指句识别错误率。

  GMM-HMM指混合高斯模型-隐马尔科夫模型。

  TDNN(Time-delay Neural Networks)指时延神经网络模型。

  CHAIN(Chain model)是指链式模型。

  基于1505小时中文普通话语音数据集,数据堂精选了200小时中文普通话语音数据在OpenSLR发布,并在Kaldi平台提供了训练代码,对应的训练方法也在github平台发布。

  据了解,数据堂将持续提供面向学术研究领域开源不同领域、不同应用场景的AI数据集。

  开源数据获取方式:数据获取请登录数据堂官方网站

国际在线版权与信息产品内容销售的声明:

1、“国际在线”由中国国际广播电台主办。经中国国际广播电台授权,国广国际在线网络(北京)有限公司独家负责“国际在线”网站的市场经营。

2、凡本网注明“来源:国际在线”的所有信息内容,未经书面授权,任何单位及个人不得转载、摘编、复制或利用其他方式使用。

3、“国际在线”自有版权信息(包括但不限于“国际在线专稿”、“国际在线消息”、“国际在线XX消息”“国际在线报道”“国际在线XX报道”等信息内容,但明确标注为第三方版权的内容除外)均由国广国际在线网络(北京)有限公司统一管理和销售。

已取得国广国际在线网络(北京)有限公司使用授权的被授权人,应严格在授权范围内使用,不得超范围使用,使用时应注明“来源:国际在线”。违反上述声明者,本网将追究其相关法律责任。

任何未与国广国际在线网络(北京)有限公司签订相关协议或未取得授权书的公司、媒体、网站和个人均无权销售、使用“国际在线”网站的自有版权信息产品。否则,国广国际在线网络(北京)有限公司将采取法律手段维护合法权益,因此产生的损失及为此所花费的全部费用(包括但不限于律师费、诉讼费、差旅费、公证费等)全部由侵权方承担。

4、凡本网注明“来源:XXX(非国际在线)”的作品,均转载自其它媒体,转载目的在于传递更多信息,丰富网络文化,此类稿件并不代表本网赞同其观点和对其真实性负责。

5、如因作品内容、版权和其他问题需要与本网联系的,请在该事由发生之日起30日内进行。