MultiLingual LibriSpeech 数据集卡片

数据集概述

废弃：该旧版本数据集不支持流式处理，且不再更新。请使用 "facebook/multilingual_librispeech" 替代。

Multilingual LibriSpeech (MLS) 数据集是一个适用于语音研究的大型多语种语音语料库。该数据集派生自 LibriVox 的朗读有声书，包括英语、德语、荷兰语、西班牙语、法语、意大利语、葡萄牙语和波兰语共 8 种语言。

支持的任务和排行榜

• 自动语音识别、音频说话人识别：该数据集可用于训练自动语音识别 (ASR) 模型。向模型提供音频文件并要求将其转录成文字。最常用的评估指标是词错误率 (WER)。该任务有一个活动排行榜，可在 https://paperswithcode.com/dataset/multilingual-librispeech 上找到，根据 WER 对模型进行排名。

语言

该数据集派生自 LibriVox 的朗读有声书，包括英语、德语、荷兰语、西班牙语、法语、意大利语、葡萄牙语和波兰语共 8 种语言。

数据集结构

数据实例

典型的数据点包括音频文件的路径，通常称为 "file"，以及转录文本，称为 "text"。还提供有关说话人和包含转录的段落的其他信息。

{'chapter_id': 141231,
 'file': '/home/patrick/.cache/huggingface/datasets/downloads/extracted/b7ded9969e09942ab65313e691e6fc2e12066192ee8527e21d634aca128afbe2/dev_clean/1272/141231/1272-141231-0000.flac',
  'audio': {'path': '/home/patrick/.cache/huggingface/datasets/downloads/extracted/b7ded9969e09942ab65313e691e6fc2e12066192ee8527e21d634aca128afbe2/dev_clean/1272/141231/1272-141231-0000.flac',
  'array': array([-0.00048828, -0.00018311, -0.00137329, ...,  0.00079346,
          0.00091553,  0.00085449], dtype=float32),
  'sampling_rate': 16000},
 'id': '1272-141231-0000',
 'speaker_id': 1272,
 'text': 'A MAN SAID TO THE UNIVERSE SIR I EXIST'}

数据字段

• file: 下载的音频文件的路径，格式为 .flac。

• audio: 包含下载的音频文件路径、解码后的音频数组和采样率的字典。注意，访问音频列时，dataset[0]["audio"] 会自动解码和重新采样为 dataset.features["audio"].sampling_rate。解码和重新采样大量音频文件可能需要大量时间。因此，在访问 "audio" 列之前，首先查询样本索引是非常重要的，即 dataset[0]["audio"] 应始终优先于 dataset["audio"][0]。

• text: 音频文件的转录文本。

• id: 数据样本的唯一标识符。

• speaker_id: 说话人的唯一标识符。同一说话人的标识符可能出现在多个数据样本中。

• chapter_id: 包含转录的有声书章节的标识符。

数据拆分

数据集创建

策划理由

[需要更多信息]

来源数据

[需要更多信息]

[需要更多信息]

注释

[需要更多信息]

[需要更多信息]

个人和敏感信息

该数据集包含在线捐赠他们的声音的人。您同意不试图确定数据集中说话者的身份。

使用数据时的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

附加信息

数据集策划者

[需要更多信息]

许可信息

公有领域，创作共用署名4.0国际公共许可证 ( CC-BY-4.0 )

引用信息

@article{Pratap2020MLSAL,
  title={MLS: A Large-Scale Multilingual Dataset for Speech Research},
  author={Vineel Pratap and Qiantong Xu and Anuroop Sriram and Gabriel Synnaeve and Ronan Collobert},
  journal={ArXiv},
  year={2020},
  volume={abs/2012.03411}
}

贡献者

感谢 @patrickvonplaten 添加了该数据集。