Emilia-Dataset
официальный датасет для масштабного обучения речевых моделей
1 мин чтения
Этот масштабный мультиязычный набор данных создан для обучения и тестирования систем синтеза (Text-to-Speech) и распознавания речи (Automatic Speech Recognition). Внутри собрано свыше 200 тысяч часов аудиозаписей с соответствующими текстовыми расшифровками на шести языках: китайском, английском, японском, французском, немецком и корейском. Датасет состоит из оригинальной базы на 101 тысячу часов и дополнительного пула на 114 тысяч часов качественных материалов. Ресурс будет полезен исследователям и разработчикам, создающим продвинутые голосовые движки и речевые ассистенты.
Ключевые особенности
- Поддержка шести языков, включая английский, китайский, японский и европейские языки.
- Огромный общий объем — более 200 тысяч часов аудиоданных.
- Открытая структура и сопутствующий пайплайн предобработки Emilia-Pipe.
- Распространение части материалов под лицензией CC BY-NC 4.0.
Что можно сделать
- Обучить собственные современные модели голосового синтеза (Text-to-Speech) с высокой естественностью звучания.
- Провести дообучение и оценку качества систем автоматического распознавания речи (ASR).
- Использовать код Emilia-Pipe для собственной предобработки и фильтрации речевых аудиоданных.
Пример
Загрузка датасета с помощью библиотеки datasets:
from datasets import load_dataset
dataset = load_dataset("amphion/Emilia-Dataset")
print(dataset)Подробнее
Общий объем: более 200 000 часов аудиоЯзыки: zh, en, ja, fr, de, ko
Инструменты: пайплайн предобработки Emilia-Pipe
Назначение: обучение TTS и ASR моделей








Комментарии