無料の Spoken Digit Dataset (FSDD) デジタル認識音声データ セット

Free Spoken Digit Dataset (FSDD) は、サンプリング レート 8kHz の wav ファイル内のデジタル音声録音で構成される単純な音声/音声データセットです。録音は、最初と最後の無音の時間を最小限に抑えるためにトリミングされました。データセットはオープンです。つまり、データが提供され続けると、時間の経過とともにデータセットが増加します。

FSDD データセットには現在 (2024 年 7 月現在) 以下が含まれています。

• 6つの異なるスピーカー
• 3,000 件の録音 (スピーカーごとに 50 件)
• 英語の発音

データセットのファイルには、次のような特定の形式に従って名前が付けられます。{digitLabel}_{speakerName}_{index}.wav 。たとえば、ファイル名 7_jackson_32.wav スピーカー・ジャクソンによって録音された7番の32番目の録音を表します。

FSDD データセットは学術研究に使用できるだけでなく、コミュニティが独自の記録を投稿することも奨励します。すべての録音は、無音を最小限に抑えるためにトリミングされたモノラル 8kHz wav ファイルである必要があります。