ASRU2019 ASR

数据规模：
500小时
格式：
16kHz 16bit，wav，单声道
录音环境：
安静的室内；包含不影响语音辨识的背景噪音
录音内容：
口语化句子
录音人：
男女比例均匀；≤20岁23%，21~30岁70%，31~40岁4%，40岁以上3%；录音人员分布于广东、福建、山东、江苏、北京、湖南、江西等33省
设备：
安卓:iOS=9:1
语言：
普通话；有口音的普通话
应用场景：
语音识别；机器翻译；声纹识别
标注准确率：
97%以上

Dataset Scale: 500 hours
Format: 16kHz, 16-bit, single-channel WAV files
Recording Environment: Quiet indoor settings with background noise that does not impede speech recognition
Recording Content: Colloquial spoken sentences
Speaker Demographics: Equal male-to-female ratio; 23% of speakers aged 20 or younger, 70% aged 21–30, 4% aged 31–40, and 3% aged over 40; speakers are recruited from 33 provinces including Guangdong, Fujian, Shandong, Jiangsu, Beijing, Hunan, Jiangxi, etc.
Recording Devices: Android-to-iOS device ratio of 9:1
Languages: Standard Mandarin Chinese and accented Mandarin Chinese
Application Scenarios: Speech recognition, machine translation, voiceprint recognition
Annotation Accuracy: Over 97%

搜集汇总

背景与挑战

背景概述

ASRU2019 ASR是一个500小时的普通话语音识别数据集，包含16kHz 16bit的单声道wav音频，录音环境为安静的室内并带有背景噪音，录音内容为口语化句子。数据集覆盖了广泛的年龄和地域分布，录音人男女比例均匀，设备以安卓为主，适用于语音识别、机器翻译和声纹识别等场景，标注准确率超过97%。该数据集由数据堂（北京）科技股份有限公司于2019年发布。