PedroDKE/LibriS2S

LibriS2S是一个用于德语和英语之间语音到语音翻译研究的数据集，包含德语音频、德语转录、英语音频和英语转录的四元组。该数据集基于librivoxDeEn数据集构建，使用了aeneas工具进行对齐。数据集的文件结构包括对齐数据、德语和英语音频文件夹、示例文件夹以及基础对齐数据文件夹。数据集的总大小约为52GB，适用于文本到语音、自动语音识别和翻译等任务。

原始信息汇总

数据集概述

名称: LibriS2S German-English Speech and Text pairs

语言:

• 英语 (en)
• 德语 (de)

多语言性: 多语言

许可证: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (cc-by-nc-sa-4.0)

大小: 10K<n<100K

任务类别:

• 文本到语音 (text-to-speech)
• 自动语音识别 (automatic-speech-recognition)
• 翻译 (translation)

数据结构:

• Alignments: 包含所有书籍和章节的校准数据。
• DE: 包含每本书的德语音频。
• EN: 包含每本书的英语音频。
• Example: 包含用于构建此数据集的抓取和校准解释的示例文件。
• LibrivoxDeEn_alignments: 包含LibrivoxDeEn数据集的基础校准数据。

数据下载:

• 英语/德语音频可在EN/DE文件夹中找到，并可从此OneDrive链接下载。

数据集大小: 约52 GB

引用:

• 当使用此数据集时，请引用原始论文和LibrivoxDeEn作者。

数据集详细信息

数据收集方法:

• 通过下载英语有声读物并使用aeneas将书籍章节与转录文本对齐来收集校准数据。

包含的书籍:

• 提供了以下书籍的完整校准数据：
  • 9
  • 10
  • 13
  • 18
  • 23
  • 108
  • 110
  • 120

校准指标:

• 文件数量: 德国语18868个，英语18868个
• 总时长: 德语39:11:08，英语40:52:31
• 发言人数量: 德语41人，英语22人

注意: 发言人数是按每本书单独计算的，因此某些发言人可能被计数多次。