科技改變生活 · 科技引領未來
科技改變生活 · 科技引領未來
5月20日，數據堂推出AI數據開源計劃，面向高校和學術機構等非商業組織群體，首次開源的數據集為：1505小時中文普通話語音數據集。
該數據集的錄音內容，由6408名來自中國不同地區的錄音人參與錄制，有超過30萬條口語化句子。句準確率達98%以上。
從評測效果來看，通過運行GMM-HMM混合模型和DNN-HMM混合模型，基于數據堂開源數據集【1505小時中文普通話語音數據集】的語音識別基準實驗完成，其識別準確率如下所示：
aidatatang_1505zh（完整的1505小時中文普通話語音數據集）
Aidatatang_200zh（基于完整數據集精選的200小時中文普通話語音數據集）
注：
CER（Character Error Rate）指字識別錯誤率。
SER（Sentence Error Rate）指句識別錯誤率。
GMM-HMM指混合高斯模型-隱馬爾科夫模型。
TDNN（Time-delay Neural Networks）指時延神經網絡模型。
CHAIN（Chain model）是指鏈式模型。
基于1505小時中文普通話語音數據集，數據堂精選了200小時中文普通話語音數據在OpenSLR發布，并在Kaldi平臺提供了訓練代碼，對應的訓練方法也在github平臺發布。
據了解，數據堂將持續提供面向學術研究領域開源不同領域、不同應用場景的AI數據集。
開源數據獲取方式：數據獲取請登錄數據堂官方網站
金熙明