日前，由陈果果、都家宇、张卫强等发起的语音社区志愿者组织SpeechColab和清华语音与音频技术实验室，联合语音社区的8个团队，在语音界大神Daniel Povey, Sanjeev Khudanpur, Shinji Watanabe等的大力支持下（详见下图），发布了全球多领域英语开源数据集—GigaSpeech,介绍该数据集的论文已被国际语音顶会InterSpeech2021接收。
GigaSpeech参与人员及团队，完整论文下载见下文
海天瑞声很荣幸参与了本次开源数据集的工作，为部分数据集提供了标注以及全部数据集的镜像下载支持，也为全球语音识别技术的探索贡献了自己的力量。
语音识别的性能，很大程度上取决于训练数据集的规模和覆盖性。现有的语音开源数据集适用领域狭窄，缺少难度挑战，准确率接近饱和。学术界和工业界研究开始分道扬镳，碎片化严重。作为目前全球多领域英语开源数据集，GigaSpeech致力于推动学术界和产业界的共同进步。
以下文章来源于THUsatlab ，作者THUsatlab
01
概述
GigaSpeech是一个不断发展的、多领域英语语音识别语料库。它拥有10000小时的高质量标注音频，适用于有监督训练任务；以及33000小时的总音频，适用于半监督和无监督训练任务。
02
数据来源及质量控制
从发音风格和覆盖主题入手，GigaSpeech从有声读物、播客和YouTube上收集了约33000小时的转录音频，以及对应的人工转录文本、人工字幕等，涵盖诵读和自发口语等一系列不同风格，以及艺术、科学、体育等多种主题。
在质量控制上，GigaSpeech提供一种新的强制对齐和分段处理pipeline工具，以创建适合ASR训练的句子段，并滤除低质量转录片段。对于有监督训练任务，GigaSpeech提供了5个不同规模的子集。在过滤验证环节，较大训练子集的词错误率控制在4%以下；其它较小规模的子集的词错误率控制在0%。
适用于有监督训练任务的数据子集详情
GigaSpeech提供了10小时、250小时、1000小时、2500小时和10000小时等5个不同规模的子集，以适用于有监督训练任务。详情如下表所示：
使用申请入口
GigaSpeech数据集已开放，欢迎大家使用。
申请入口：
https://github.com/SpeechColab/GigaSpeech
预印版论文地址（已被InterSpeech 2021接收）：
https://arxiv.org/abs/2106.06909
海天瑞声一直专注于为AI算法训练提供数据产品及解决方案，近20年坚持不懈的研发投入以及在语言学领域的不断深耕，实现了“以技术驱动数据生产”，加速客户的AI产品在全球商业化落地进程。此外，海天瑞声还积极投身于前沿技术的学术探索活动中，坚持为学术研究提供各种形式的数据支持，为人工智能在全球发展贡献自己的力量！
