Common Voice Dataset
收藏资源简介：
该数据集包含来自Common Voice社区在web平台上的语音贡献，所有语音贡献都作为数据集的一部分发布，不论验证状态如何。数据集大约每六个月更新一次，每个下载的`.tar.gz`文件包含特定语言的音频文件和其他相关信息，如验证数据和人口统计数据。
This dataset comprises voice contributions from the Common Voice community on the web platform, with all contributions released as part of the dataset regardless of their verification status. The dataset is updated approximately every six months, and each downloaded `.tar.gz` file contains audio files in a specific language along with other relevant information such as verification data and demographic statistics.
Common Voice Dataset 概述
数据集描述
- 来源：Common Voice社区通过web平台贡献。
- 更新频率：约每六个月发布新数据集。
- 数据内容：所有语音贡献，无论验证状态，均包含在数据集中。仅在用户请求时移除剪辑。
- 数据结构：每个
.tar.gz文件包含特定语言的音频文件和多个.tsv文件，记录文件列表、注释、client_id、验证数据及人口统计信息。
数据集文件结构
[lang].tar.gz/ ├── clips/ │ ├── *.mp3 files |__ dev.tsv |__ invalidated.tsv |__ other.tsv |__ test.tsv |__ train.tsv |__ validated.tsv |__ reported.tsv (as of Corpus 5.0)
数据集字段
- client_id：用户哈希UUID。
- path：音频文件的相对路径。
- text：音频的假设转录。
- up_votes：认为音频匹配文本的人数。
- down_votes：认为音频不匹配文本的人数。
- age：说话者年龄。
- gender：说话者性别。
- accent：说话者口音。
- segment：属于自定义数据集段的句子。
数据集使用
- 机器学习应用：使用Mozilla Corpora Creator工具处理元数据，生成测试、训练和开发集。
- 数据集访问：建议使用
curl命令行工具下载大型文件，以支持断点续传。
引用信息
-
文献：Ardila, R. et al. (2020) "Common Voice: A Massively-Multilingual Speech Corpus". Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020).
-
BibTeX：
@inproceedings{commonvoice:2020, author = {Ardila, R. and Branson, M. and Davis, K. and Henretty, M. and Kohler, M. and Meyer, J. and Morais, R. and Saunders, L. and Tyers, F. M. and Weber, G.}, title = {Common Voice: A Massively-Multilingual Speech Corpus}, booktitle = {Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)}, pages = {4211--4215}, year = 2020 }
