Research Community 发布 ViSpeR 数据集, 应用在 多语言语音识别、音频视觉语音识别 领域

Research Community 本次发布的数据集 ViSpeR, 该数据集是一个专为多语言音频视觉语音识别（AVSR）设计的综合数据集，涵盖了中文、西班牙语、阿拉伯语和法语等多种语言。它由高质量网络视频内容生成的视频-文本对组成，致力于提升数据集的多样性和人口统计学代表性，通过结合视频选择的混合方法，精选出高质量且相关的内容。该数据集在所有语言中的剪辑数量和总时长都有了大幅提升，其规模之大，旨在应对音频视觉语音识别的任务挑战。

查看ViSpeR

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。