ESD 全称 Emotional Speech Database，是一个用于语音转换研究的情感语音数据集。数据集由 10 个以英语为母语和 10 个以汉语为母语的人说的 350 个平行话语组成，涵盖 5 个情感类别（中性、快乐、愤怒、悲伤和惊讶）。在受控声学环境中记录了超过 29…
ESD 情感语音数据集
分类: 语音识别
BirdCLEF 2018 鸟类声音数据集
BirdCLEF 2018 是一个基于 Xeno-canto 的鸟类声音场景数据集。其中，训练集包含 36,496 个录音，覆盖中美洲和南美洲的 1,500 个物种。总共包含大约 68 小时的记录，有 1,500 个类别和物种标签。
CHiME-5 语音识别数据集
CHiME-5 是一个关于自动语音识别处理技术的数据集。数据集来自第五届 CHiME 挑战，包括远程多麦克风会话在真实家庭环境中的任务。语音材料提取自晚宴场景，数据集获取了自然对话语音数据，并由 6 个 Kinect 麦克风阵列和 4 个双耳麦克风对录制。 数据集包含单阵列轨道与…
Casual Conversations 语音识别数据集
Casual Conversations 旨在帮助研究人员评估其计算机视觉和音频模型在各种年龄、性别、明显的肤色和周围光线条件下的准确性，以消除 AI 偏见。 该数据集包含了 3,011 名参与者的 45,000 多个视频，均匀分布了不同的性别、年龄段和肤色。 Facebook …
机构
Facebook
CAS-VSR-W1k 唇语识别数据集
CAS-VSR-W1k 原名为 LRW-1000，是目前公开的最大的普通话词汇级唇语数据集。该数据集包含 1,000 个词类，包括来自 2,000 多位发言者的 700,000 个样本。该数据集包含超过 1,000,000 个汉字实例。 每个类别对应于由一个或几个汉字组成的普通话…
VoxCeleb1 声纹识别数据集
这是一个大规模且与文本无关的声纹识别数据集，包含来自 YouTube 视频中 1,251 位名人的 10 万条语音。 示例数据： Verification split: devtest# of speakers1,21140# of videos21,819677# of utt…
CCMT 2019-BSTC 语音翻译语料库
BSTC 全称 Baidu Speech Translation Corpus，是一个大型自动同声传译数据集， 用于自动同声传译系统的构建。 该语料库分为训练集、开发集和测试集 3 个子集，每个子集包括： -声音信号文件，命名为 baidu_XX.wav -描述文件，包括每个声音…
机构
Baidu (百度)
VoxCeleb2 语音识别数据集
VoxCeleb2 是一个源自开源媒体的大规模说话人 (Speaker) 识别数据集，由超过 6 千名说话者的一百万条语料组成。由于该数据集是在自然场景中收集的，因此语音片段中不乏笑声、交谈声、频道效果、音乐等干扰。 VoxCeleb2 中的语料是多语言的，说话者来自 145 个…
THCHS30 中文语音数据集
THCHS30是由清华大学语音与语言技术中心（CSLT）出版的开放式中文语音数据库，可以用于中文语音识别系统的开发。该数据集语音数据是在安静的办公室环境下录取的，总时长超过30个小时。采样频率16kHz，采样大小16bits。
Common Voice 英文语音数据集
Common Voice英文数据集是由Common Voice提供，包含39577位测试者参与录音的MP3文件以及相对应的文本文件，总时长为1087小时。参与录音的测试者由不同的口音、年龄、性别等差异，可被用于英文语音识别等任务的研究
Common Voice 中文语音数据集
Common Voice中文数据集是由Common Voice提供，包含288位测试者参与录音的MP3文件以及相对应的文本文件，总时长为12小时。参与录音的测试者由不同的口音、年龄、性别等差异，可被用于中文语音识别等任务的研究
AVSpeech – 视听语音数据集
AVSpeech is a new, large-scale audio-visual dataset comprising speech video clips with no interfering backgruond noises. The segments are 3-…
机构
Google (谷歌)
LibriSpeech ASR Corpus
LibriSpeech ASR corpus 语料库是由 Vassil Panayotov 在 Daniel Povey 的协助下制作，其中包括约 1000 小时 16kHz 阅读英语演讲内容，以及 1000 小时的英文发音和对应文字。 LibriSpeech ASR corpu…
TIMIT 方言录音数据集
TIMIT 数据集由 8 种主要美国英语方言共 630 个录音片段组成，其中每个方言都有 10 个语音丰富的句子。 TIMIT 语料库包括时间对齐的正交，语音和单词转录以及每个话语的 16kHz 语音波形文件。 该数据集由麻省理工学院、SRI 国际和德州仪器公司于 1993 年发…
Broadcast News 大型文本数据集
Broadcast News 是用于下一个单词预测的大型文本数据集，其中包括 1996 年的广播新闻语音语料库包含来自 ABC，CNN 和 CSPAN 电视网以及 NPR 和 PRI 无线电网络的 104 小时广播，并附有相应的成绩单。 该系列是为 DARPA「HUB4」项目提供…
