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