数据堂开源1505小时中文普通话语音数据集

 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，首次开源的数据集为：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