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。


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。

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。


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%。

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：



开发集和测试集



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。



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

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


发起人