语音识别(ASR)论文优选:粤语语料集Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New D
声明:平时看些文章做些笔记分享出来,文章中难免存在错误的地方,还望大家海涵。搜集一些资料,方便查阅学习:http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html,语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg)。如有转载,请注明出处。欢迎关注微信公众号:低调奋进。
Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New Dataset
本文为香港科技大学在2022.01.07更新的文章,主要对粤语的开源数据集进行总结并开源新的数据集MDCC,具体的链接
https://arxiv.org/pdf/2201.02419.pdf
注:本文主要开源粤语识别数据集,较为简单。
1 背景
伴随着基于神经网络的语音识别的性能不断提升、开源数据的不断增多,语音社区逐渐扩大。但语音识别在低资源语言的语料依然匮乏,因此本文设计和提供了粤语语料MDCC。
2 详细设计
本文先统计目前开源的粤语语料的详细数据,具体如table1所示。因此本文设计了数据集Multi-Domain Cantonese Corpus (MDCC) 。该数据包括以下场景: philosophy, politics, education, culture, lifestyle and family。该数据集制作流程:1)获取粤语语音,使用VAD进行切句子;2)使用G
维生素續C: 你好,请问如何获取数据集
qq_37131779: 报告没有提及使用的是Megatron-LM + deepspeed,来源是哪里?
艾克丶艾达: 朋友,这个网站上个月我还能上,突然就上不去了,打开只能选择跳转推特还是Patreon,知道是什么情况吗
小乐777: 真的是太棒了
pongzjp: 你好,博主,有个疑问,在训练的时候,我们是知道哪些字是多音字,所以用到了Mask矩阵,在测试的时候,还需要用到Mask吗