迄今最大公开语音数据集上线，汉语部分还不够强，需要你来帮忙

晓查 发自 凹非寺 量子位 报道 | 公众号 QbitAI

今天，Mozilla发布了迄今为止最大的公开语音数据集Common Voice，内容全部来自志愿者的贡献。它的总时长达到了1368小时，包含18种语言，其中也有汉语。

数据集中的每一条都包含了一组独立MP3录音及相应的文字文件，同时包含了年龄、性别、口音等人口统计元数据，能够训练语音识别引擎提升其准确性。

Mozilla希望此举能促进语音技术的创新与健康的商业竞争。

如何下载

现在去官方网站：

https://voice.mozilla.org/zh-CN/datasets

在上面填入自己的邮箱，内容会以tar.gz压缩包的形式下载到本地，而且可以按照不同语种分类下载。

其中英语部分的素材最多，总共达到了803小时，文件体积22GB。而汉语（中国台湾）现在的素材比较少，只有28小时、800MB。

但是大陆地区的汉语暂时还没上线，它的目标是录入5000句话，现在只有584句，只完成了目标的10%多。希望大家积极去做贡献，让它早日上线。

为汉语数据集做贡献

除了下载数据外，官方网站还提供了语音收集和验证的选项，你也可以为这个数据集贡献自己的一份力量。

打开电脑麦克风和扬声器，按照屏幕上的句子读出来，为数据集录入语音素材。你还能聆听别人的录音，验证数据的正确性。

对于未上线的大陆中文，你可以在网站上填写自己的邮件地址，成为提供资源的志愿者，Mozilla团队会在第一时间通知你最新进展。

特别之处

Common Voice是由志愿者按照屏幕文字录入的语音内容组成。

也许有人要问，有声读物本身就包含语音和文字的对照，为何Mozilla还要花大力气去做Common Voice？

因为有声读物作为语音识别的训练数据集存在着一些局限性。

首先，书面与口语非常大的不同。

其次，有声读物通常是在安静的录音棚内录制，录制设备质量更好，音频内容也很干净。而现实生活中的语音环境十分复杂。

最后，阅读时的语气和节奏也与平时说话不同。

其他语音数据集推荐

Mozilla还为大家提供了其他的语音数据集，有需要的同学请自取。

有声读物英文语料库LibriSpeech： https://www.openslr.org/12

TED演讲语料库TED-LIUM： https://www.openslr.org/51/

讲话转录文本语料库VoxForge： http://www.repository.voxforge1.org/downloads/SpeechCorpus/Trunk/

翻译和口语音频的大型数据库Tatoeba： https://tatoeba.org/eng/downloads

— 完 —