AVSpeech

AVSpeech 是一个包含没有干扰背景信号的语音剪辑的大规模视听数据集。这些片段的长度不同，在 3 到 10 秒之间，并且在每个剪辑中，视频中唯一可见的面孔和配乐中的可听声音属于一个说话的人。该数据集总共包含大约 4700 小时的视频片段，大约有 150,000 个不同的说话者，涵盖了各种各样的人、语言和面部姿势。