- 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
❤️专栏：AI 领域数据资源整理❤️ 之【有效拒绝假数据】
???? Follow me ????，一起 Get 更多有趣 AI、冲冲冲 ???? ????
???? 数据集介绍
???? 基础信息
西北工业大学音频语音和语言处理研究组(ASLP Lab)、出门问问、希尔贝壳联合发布1万小时多领域中文语音识别数据集 WenetSpeech
- 对应论文 ：https://arxiv.org/pdf/2110.03370.pdf
- 官方主页：https://wenet-e2e.github.io/WenetSpeech/
- 该部分介绍主要参考该文：
https://mp.weixin.qq.com/s/lR22WmI5G2mPSuloZUcWVA - 追求排版体验的同学，可自行复制跳转原文【上面链接】进行查阅
???? WenetSpeech 简介
WenetSpeech 除了含有 10000+ 小时的高质量标注数据之外，还包括2400+ 小时弱标注数据和 22400+ 小时的总音频，覆盖各种互联网音视频、噪声背景条件、讲话方式，来源领域包括有声书、解说、纪录片、电视剧、访谈、新闻、朗读、演讲、综艺和其他等10大场景，领域详细统计数据如下图所示。
???? WenetSpeech 收集过程
下图中给出该 OCR 系统在不同场景下的几个典型示例。图中绿色的框为检测到的所有文字区域，红色的框为判定为字幕的文字区域，红色框上方的文本为 OCR 的识别结果。 可以看到，该系统正确的判定了字幕区域，并准确的识别了字幕文本，同时经过我们测试，发现该系统也可以准确判定字幕的起始和结束时间。
???? 数据校验
WenetSpeech 中选取置信度>=95%的数据作为高质量标注数据，选取置信度在0.6和0.95之间的数据作为弱监督数据。
???? 经典算法对比
???? 下载正确打开方式
该下载方式记录时间：【2021-10-22记录】
???? 下载主页
???? 填写邮箱信息
???? 提交成功界面如下
???? 很快邮箱收到下载方式说明
让准备，500G 磁盘空间
???? 开始下载
根据网速情况，下载大致需要 大半天吧
-
du -sh 数据集压缩包大小：309G -
tree -L 3 查看数据集结构如下
???? 致敬大佬
WenetSpeech 是目前最大的开源普通话语音语料库，适用于产业级语音识别的研究
全人类的人工智能事业大概就是这样一步一步向前推动的吧
语音数据集总结博文如下
- ???? 语音数据集下载地址汇总| 免费的汉语说话人识别语料库 | Common Voice 数据集 | 下载总结
墨理学AI
- ???? 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
- ❤️ 如果文章对你有帮助、点赞、评论鼓励博主的每一分认真创作
