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

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

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。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

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。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多