您的位置:首页 > 新闻频道 > 国际新闻 > 国际观察>正文

数据堂开源1505小时中文普通话语音数据集

时间:2019-05-21 14:37:45    来源:中国聚焦新闻网    浏览次数:    我来说两句() 字号:TT

  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,,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


免责声明:本文仅代表作者观点,与新讯网无关。新讯网不对文章所包含内容的准确性、可靠性或完整性提供任何保证。请读者仅作参考,并自行承担全部责任。

请选择您浏览此新闻时的心情

相关新闻
网友评论
本文共有人参与评论
用户名:
密码:
验证码:  
匿名发表