VoxCeleb2

VoxCeleb2 是一个从开源媒体自动获得的大规模说话人识别数据集。 VoxCeleb2 包含来自 6k 多个扬声器的超过 100 万个话语。由于数据集是“在野外”收集的，语音片段被现实世界的噪音破坏，包括笑声、串音、频道效果、音乐和其他声音。该数据集也是多语言的，来自 145 个不同国籍的演讲者，涵盖了广泛的口音、年龄、种族和语言。该数据集是视听的，因此对于许多其他应用也很有用，例如 - 视觉语音合成、语音分离、从人脸到语音的跨模态转换（反之亦然）以及从视频中训练人脸识别以补充现有的人脸识别数据集。