VoxPopuli

VoxPopuli 是一个大规模的多语言语料库，以 23 种语言提供 10 万小时的未标记语音数据。它是迄今为止最大的无监督表示学习和半监督学习的开放数据。 VoxPopuli 还包含 1.8K 小时的 16 种语言的转录演讲，以及将它们对齐的口译成其他 5 种语言，总计 5.1K 小时。

VoxPopuli is a large-scale multilingual corpus offering 100,000 hours of unlabeled speech data spanning 23 languages. It stands as the largest open dataset for unsupervised representation learning and semi-supervised learning to date. Additionally, VoxPopuli contains 1.8K hours of transcribed speech across 16 languages, paired with aligned interpretations of these speeches into 5 additional languages, totaling 5.1K hours.

搜集汇总

背景与挑战

背景概述

VoxPopuli是一个大规模多语言语音语料库，提供23种语言的10万小时未标记数据，是目前最大的开放数据资源，适用于无监督表示学习和半监督学习。该数据集还包含1.8K小时16种语言的转录演讲，以及对译成其他5种语言的5.1K小时对齐内容，由Facebook AI Research于2021年发布。