LibriSpeech: тисяча годин аудіокниг

У квітні 2015 року Васіл Панайотов, Даніел Пові й співавтори з Університету Джонса Гопкінса опублікували LibriSpeech — близько 1 000 годин читаної англійської мови з 16 кГц, вирівняної з текстом, узятої з аудіокниг LibriVox, що перебувають у суспільному надбанні.

Чому це важливо

Відкритий корпус такого розміру для навчання й перевірки розпізнавання мовлення з'явився вперше, разом зі скриптами Kaldi й мовними моделями. Його частини «clean» і «other» на роки стали спільною мірою для всіх систем розпізнавання.

Навчальні частини — train-clean-100 (100,6 години), train-clean-360 (363,6) і train-other-500 (496,7); дикторів розділено на «clean» і «other» за похибкою моделі, навченої на WSJ. Моделі, навчені на LibriSpeech, мали нижчу похибку на тестах Wall Street Journal, ніж навчені на самому WSJ. Запис не наводить чисел WER із таблиці статті: витягнутий текст таблиці розбитий.

Відомості про подію

Дата події

квітень 2015 р.

Дата на часовій осі

Дата події

Перевірка

Джерела зібрано автоматично · 25 вересня 2026 р.

Лінії

ID

evt-0770

Місяць за Crossref: матеріали ICASSP 2015, конференція 19–24 квітня в Брисбені. Авторська копія статті дати не несе.

Джерела

першоджерело Librispeech: an ASR corpus based on public domain audio books (ICASSP 2015)
IEEE ICASSP 2015, authors' copy · Опубліковано квітень 2015 р.
першоджерело LibriSpeech ASR corpus (OpenSLR resource 12)
Open Speech and Language Resources

Пов’язані події

Пізніше

Уможливлює wav2vec 2.0 2020
wav2vec 2.0 ставить рекорд на 100-годинній частині LibriSpeech і дає 1,9/3,5 WER, коли донавчається на всіх 960 годинах.
- Librispeech: an ASR corpus based on public domain audio books (ICASSP 2015) · IEEE ICASSP 2015, authors' copy
- wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations · arXiv
Уможливлює Whisper 2022
Whisper бере LibriSpeech за еталонний набір для виміру стійкості «через його центральну роль» у розпізнаванні мовлення й показує, що моделі, навчені на ньому, ламаються на інших наборах.
- Librispeech: an ASR corpus based on public domain audio books (ICASSP 2015) · IEEE ICASSP 2015, authors' copy
- Robust Speech Recognition via Large-Scale Weak Supervision (Proceedings of the 40th International Conference on Machine Learning, PMLR 202) · Proceedings of Machine Learning Research
Спирається на VALL-E: чужий голос із трьох секунд 2023посилається на цей запис
Фонемну розмітку 60 000 годин LibriLight дала модель розпізнавання, навчена на 960 годинах LibriSpeech, а якість перевірено на LibriSpeech test-clean.
- Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (arXiv:2301.02111v1) · arXiv (Microsoft)