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)
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)
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
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。
地址：北京市石景山路甲16号 邮政编码：100040
中国互联网举报中心 违法和不良信息举报电话：010-68891032 举报邮箱：jubao@cri.com.cn 新闻从业人员职业道德监督电话：010-68892232 监督邮件：jchsh@cri.com.cn
中国互联网视听节目服务自律公约 信息网络传播视听节目许可证 0102002 京ICP证120531号 京ICP备05064898号 
京公网安备 11040202120016号
网站运营：国广国际在线网络（北京）有限公司
中央广播电视总台国际在线版权所有©1997-2020 未经书面授权禁止复制或建立镜像
