Global Recordings Network 发布 Combined Speech Dataset 数据集, 应用在 语音识别、自然语言处理 领域

Global Recordings Network 本次发布的数据集 Combined Speech Dataset, 该数据集是一个包含超过100万小时语音数据的综合性集合，覆盖了4057种语言。它将现有的公开可获取语料库与全新创建的语料库相结合。此外，该数据集涵盖了189个语言家族，既包含资源丰富的语言，也包含资源稀缺的语言，其中某些语言的语音数据甚至仅有1小时。在规模上，该数据集提供了108.1万小时的预训练数据，其任务旨在进行语音表征学习。

查看Combined Speech Dataset

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。