open-speech-corpora

Open Speech Corpora 项目介绍

项目背景

Open Speech Corpora 是一个集合了各种开放语音语料库的项目，旨在推进语音技术的研究与开发。这个项目的特别之处在于其优先考虑那些免费且真正开放给研究和商业用途的语料库，例如那些遵循 Creative Commons 许可协议 或 社区数据许可证协议的语料库。尽管并非所有语料库都符合这些标准，但它们都对研究人员和开发者开放且可用。

语料库分类

Open Speech Corpora 根据不同的开源许可协议对语料库进行了组织。下面是一些主要的分类和部分语料库说明：

CC-0 许可

• Common Voice（多语言）: 这是由 Mozilla 推出的语料库，已验证的语音时长超过 15,000 小时，总时长超过 20,000 小时，提供多语言、多说话人语音。
• LJ Speech Corpus（英语）: 包含约 24 小时的语音，由一位女性说话人录制。

CC-BY 许可

• LibriSpeech（英语）: 大约包含 1,000 小时的语音，由 2484 名说话人提供。这个语料库广泛用于语音识别的研究。
• Hjal Corpus（冰岛语）: 由 883 名说话人录制了约 41,000 个语音文件。

CC-BY-SA 许可

• Google Bengali（孟加拉语）: 包含 229 小时的语音，由 508 个说话人提供。
• Spoken Wikipedia Corpus（多语言）: 提供英语、德语以及荷兰语的语音数据，时长分别为 182 小时、249 小时和 79 小时。

CC-BY-NC 许可

• Russian Open STT Corpus（俄语）: 提供大约 10,000 小时的公开语音资料。
• TV3Parla（加泰罗尼亚语）: 大约 240 小时的语音资源。

项目参与

Open Speech Corpora 鼓励研究人员和开发者参与其中，欢迎大家通过 GitHub Issues 提出新的语料库补充建议，或者以 Pull Requests 的形式帮助扩充这个集合。

结语

Open Speech Corpora 项目是推动语音技术进步的一个重要资源库，为研究人员和企业提供了宝贵的语音数据支持。如果有兴趣了解更多或希望探索各类语音数据，这无疑是一个绝佳的起点。同时，通过项目的协作、资源共享，推动语音识别和合成技术的不断创新和突破。