懂AI
libriheavy

libriheavy

大规模语音识别数据集，50,000小时带标点和上下文

Libriheavy是基于Librilight的大规模标注语音数据集，总时长达50,000小时。该数据集包含标点、大小写和上下文信息，适用于多种语音任务研究。Libriheavy提供完整版和ASR训练专用版本，支持多种数据格式。此外，项目还提供基线模型和性能排行榜，展示了在不同规模子集上的识别效果。研究人员可以通过简单步骤获取并使用这一丰富的语音识别资源。

Libriheavy语音识别数据集标点符号上下文Github开源项目
访问官网GitHubHugging Face论文

Libriheavy: 一个50,000小时的ASR语料库，包含标点、大小写和上下文

这是Libriheavy数据集的官方代码库。Libriheavy是Librilight的标注版本。更多详细信息请参阅我们的论文：《Libriheavy: 一个50,000小时的ASR语料库，包含标点、大小写和上下文》。预印本可在arxiv上获取。

如何下载数据集

Libriheavy的音频文件与Librilight相同，音频文件可在此处获取，您可以通过以下命令下载：

bash run.sh --stage -1 --stop-stage -1

Libriheavy的清单文件托管在huggingface和modelscope（适用于中国大陆用户）。您可以通过以下方式下载清单文件：

从huggingface下载：

bash run.sh --stage 1 --stop-stage 1

或从modelscope下载：

bash run.sh --stage 0 --stop-stage 0

上面下载的清单文件格式如下，我们有两个版本的texts和pre_texts，第一项是原书的转录文本（包含大小写和标点），第二项是ASR模型的解码结果。第二项用于对齐原书中的转录文本，我们决定保留它。

{
  "id": "small/100/sea_fairies_0812_librivox_64kb_mp3/01_baum_sea_fairies_64kb_0",
  "start": 243.919,
  "duration": 7.36,
  "channel": 0,
  "supervisions": [
    {
      "id": "small/100/sea_fairies_0812_librivox_64kb_mp3/01_baum_sea_fairies_64kb_0",
      "recording_id": "small/100/sea_fairies_0812_librivox_64kb_mp3/01_baum_sea_fairies_64kb",
      "start": 0,
      "duration": 7.36,
      "channel": 0,
      "language": "English",
      "speaker": "100",
      "custom": {
        "texts": [
          "The little girl was thoughtful for a moment. \"But why do folks dive in the water when the mermaids smile an' wink?\" she asked.",
          "THE LITTLE GIRL WAS THOUGHTFUL FOR A MOMENT BUT WHY DO FOLKS DIVE IN THE WATER WHEN THE MERMAIDS SMILE AND WINK SHE ASKED"
        ],
        "pre_texts": [                                                                                                                      
          "...us mortal folk,\" replied Cap'n Bill. \"But if anyone happens to see 'em, what then, Cap'n?\" \"Then,\" he answered, slowly wagging his head, \"the mermais give 'em a smile an' a wink, an' they dive into the water an' gets drownded.\" \"S'pose they knew how to swim, Cap'n Bill?\" \"That don't make any diff'rence, Trot. The mermaids live deep down, an' the poor mortals never come up again.",
          "...US MORTAL FOLK REPLIED CAP'N BILL BUT IF ANYONE HAPPENS TO SEE EM WHAT THEN CAP'N THEN HE ANSWERED SLOWLY WAGGING HIS HEAD THE MERMAIDS GIVE EM A SMILE AND A WINK AND THEY DIVES INTO THE WATER AND GETS DROWNDED S'POSE THEY KNOW HOW TO SWIM CAP'N BILL THAT DON'T MAKE ANY DIFFERENCE TROT THE MERMAIDS LIVE DEEP DOWN AND THE POOR MORTALS NEVER COME UP AGAIN"
        ],
        "begin_byte": 4993,
        "end_byte": 5120
      }
    }
  ],
  "recording": {
    "id": "small/100/sea_fairies_0812_librivox_64kb_mp3/01_baum_sea_fairies_64kb",
    "sources": [
      {
        "type": "file",
        "channels": [
          0
        ],
        "source": "download/librilight/small/100/sea_fairies_0812_librivox_64kb_mp3/01_baum_sea_fairies_64kb.flac"
      }
    ],
    "sampling_rate": 16000,
    "num_samples": 9567080,
    "duration": 597.942,
    "channel_ids": [
      0
    ]
  },
  "custom": {
    "text_path": "download/librilight_text/output_text_small_cleaned/Sea Fairies/text.txt"
  },
  "type": "MonoCut"
}

这是Libriheavy的完整版本，可用于各种语音任务。 您可以通过以下命令进一步提取用于纯ASR训练的清单：

bash run.sh --stage 2 --stop-stage 2

现在，您有了k2格式（lhotse cuts）和kaldi格式的语料库，包括标准化版本（大写无标点）和全格式版本（大小写带标点）：

├── cases_and_punc
│   ├── kaldi
│   │   ├── large
│   │   │   ├── segments
│   │   │   ├── text
│   │   │   └── wav.scp
......
│   │   ├── test_clean
│   │   │   ├── segments
│   │   │   ├── text
│   │   │   └── wav.scp
│   └── lhotse
│       ├── libriheavy_cuts_dev.jsonl.gz
│       ├── libriheavy_cuts_large.jsonl.gz
│       ├── libriheavy_cuts_medium.jsonl.gz
│       ├── libriheavy_cuts_small.jsonl.gz
│       ├── libriheavy_cuts_test_clean.jsonl.gz
│       ├── libriheavy_cuts_test_clean_large.jsonl.gz
│       ├── libriheavy_cuts_test_other.jsonl.gz
│       └──  libriheavy_cuts_test_other_large.jsonl.gz
└── upper_no_punc
    ├── kaldi
    │   ├── large
    │   │   ├── segments
    │   │   ├── text
    │   │   └── wav.scp
    ......
    │   ├── test_other
    │   │   ├── segments
    │   │   ├── text
    │   │   └── wav.scp
    └── lhotse
        ├── libriheavy_cuts_dev.jsonl.gz
        ├── libriheavy_cuts_large.jsonl.gz
        ├── libriheavy_cuts_medium.jsonl.gz
        ├── libriheavy_cuts_small.jsonl.gz
        ├── libriheavy_cuts_test_clean.jsonl.gz
        ├── libriheavy_cuts_test_clean_large.jsonl.gz
        ├── libriheavy_cuts_test_other.jsonl.gz
        └── libriheavy_cuts_test_other_large.jsonl.gz

关于如何使用pre_texts，我们有一篇论文：《PromptASR用于上下文ASR和可控风格》预印本可在arxiv上获取

注意 清单文件中音频文件的目录被硬编码为download/librilight。

排行榜

注意： 大子集=大 + 中 + 小；中子集 = 中 + 小（即大子集包括上面的大、中、小清单，中子集包括上面的中和小清单）。

使用标准化文本训练的模型

注意：使用Wenet训练的模型可能没有经过充分调优。

大子集

贡献者工具包LibriSpeech WER（干净 & 其他）Libriheavy WER（干净 & 其他）配方模型
基线Wenet2.02 & 5.222.74 & 6.68CTC + Attention模型
基线icefall1.62 & 3.362.20 & 5.57Transducer模型

中子集

贡献者工具包LibriSpeech WER（干净 & 其他）Libriheavy WER（干净 & 其他）配方模型
基线Wenet3.15 & 7.883.80 & 8.80CTC + Attention模型
基线icefall2.35 & 4.822.90 & 6.57Transducer模型

小子集

贡献者工具包LibriSpeech WER（干净 & 其他）Libriheavy WER（干净 & 其他）配方模型
基线Wenet5.76 & 15.606.94 & 15.17CTC + Attention模型
基线icefall4.05 & 9.894.68 & 10.01Transducer模型

使用带大小写和标点的文本训练的模型

大子集

贡献者工具包Libriheavy标准化WER（干净 & 其他）Libriheavy WER（干净 & 其他）配方模型
基线icefall2.28 & 5.687.76 & 11.32Transducer模型

中子集

贡献者工具包Libriheavy 归一化词错率 (clean & other)Libriheavy 词错率 (clean & other)配方模型
基线icefall3.05 & 6.789.84 & 13.39Transducer模型

小规模子集

贡献者工具包Libriheavy 归一化词错率 (clean & other)Libriheavy 词错率 (clean & other)配方模型
基线icefall5.16 & 11.1213.04 & 19.54Transducer模型

统计数据

您可以在Librilight论文中找到语料库的详细描述，以下是Libriheavy的一些统计数据。 最后7列是持续时间（以秒为单位）的分布。

子集小时数书籍数每位说话人小时数说话人总数平均值标准差最小值25%百分位50%百分位75%百分位99%百分位
small5091731.2241714.96.52.01014.418.630.8
medium50429603.29153114.86.42.09.914.318.530.8
large5079485927.54673614.86.42.09.814.218.430.7
dev22.31800.1614115.06.52.110.114.518.630.8
test-clean10.5870.157014.76.52.39.614.218.530.8
test-other11.51120.167214.66.42.29.714.018.230.6
test-clean-large107.5951.497214.86.42.09.914.318.430.8
test-other-large100.31361.377314.66.52.09.714.018.430.8

创建流程

您可以在此处找到创建流程的文档。

引用

@misc{kang2023libriheavy,
      title={Libriheavy: a 50,000 hours ASR corpus with punctuation casing and context}, 
      author={Wei Kang and Xiaoyu Yang and Zengwei Yao and Fangjun Kuang and Yifan Yang and Liyong Guo and Long Lin and Daniel Povey},
      year={2023},
      eprint={2309.08105},
      archivePrefix={arXiv},
      primaryClass={eess.AS}
}

编辑推荐精选

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
博思AIPPT

博思AIPPT

AI一键生成PPT，就用博思AIPPT！

博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。

热门AI工具AI办公办公工具智能排版AI生成PPT博思AIPPT海量精品模板AI创作
潮际好麦

潮际好麦

AI赋能电商视觉革命，一站式智能商拍平台

潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案，助力品牌曝光

稳定高效的流量提升解决方案，助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用，一键生成无水印视频

最新版Sora2模型免费使用，一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多