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

堆友

堆友

多风格AI绘画神器

堆友平台由阿里巴巴设计团队创建，作为一款AI驱动的设计工具，专为设计师提供一站式增长服务。功能覆盖海量3D素材、AI绘画、实时渲染以及专业抠图，显著提升设计品质和效率。平台不仅提供工具，还是一个促进创意交流和个人发展的空间，界面友好，适合所有级别的设计师和创意工作者。

图像生成热门AI工具AI图像AI反应堆AI工具箱AI绘画GOAI艺术字堆友相机
码上飞

码上飞

零代码AI应用开发平台

零代码AI应用开发平台，用户只需一句话简单描述需求，AI能自动生成小程序、APP或H5网页应用，无需编写代码。

Vora

Vora

免费创建高清无水印Sora视频

Vora是一个免费创建高清无水印Sora视频的AI工具

Refly.AI

Refly.AI

最适合小白的AI自动化工作流平台

无需编码，轻松生成可复用、可变现的AI自动化工作流

酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。

AI工具使用教程AI营销产品酷表ChatExcelAI智能客服
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
AIWritePaper论文写作

AIWritePaper论文写作

AI论文写作指导平台

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

数据安全AI助手热门AI工具AI辅助写作AI论文工具论文写作智能生成大纲
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。

下拉加载更多