flozi00/german-canary-asr-0324

该数据集是三个不同来源的德语语音数据的组合，包括Commonvoice 16.1、Voxpopuli和Multilingual librispeech。数据经过过滤、归一化和语法校正处理，用于自动语音识别（ASR）模型训练、自然语言处理（NLP）研究和文本到语音应用。

原始信息汇总

数据集概述

数据集基本信息

• 名称: German Canary ASR
• 语言: 德语 (de)
• 任务类别: 自动语音识别 (automatic-speech-recognition)

数据集特征

• audio:
  • 数据类型: 音频
  • 采样率: 16000 Hz
  • 解码: 否
• transkription:
  • 数据类型: 字符串
• source:
  • 数据类型: 字符串

数据集分割

• 训练集 (train):
  • 样本数量: 985257
  • 数据大小: 41511776468.673 字节

数据集来源

• Commonvoice 16.1: 一个由全球志愿者贡献声音创建的公开语音数据集，包含多种语言的句子录音，包括德语。
• Voxpopuli: 数据来源于2009至2020年欧洲议会活动的录音，感谢欧洲议会创建并分享这些材料。
• Multilingual librispeech: 一个适合语言研究的大型多语言语料库，基于LibriVox的有声书朗读，也包含德语录音。

数据处理步骤

1. 筛选: 仅从各源数据集中提取德语句子。
2. 标准化: 文本被统一格式化以消除不一致性。
3. 语法校正: 纠正语法错误以提高句子质量。

使用目的

• 自动语音识别模型训练
• 自然语言处理研究
• 文本到语音应用