10小时数据足矣
声音
2022-10-25 v1 音频与语音处理
摘要
我们提出一种生成伪普通话语音数据的新流程，称为CAMP（字符音频混合），旨在从字符尺度生成音频。我们还提出一种构建适配CAMP的普通话字符尺度音频数据库的方法，称为META-AUDIO，其充分利用音频数据并能极大增加数据库的数据多样性。实验表明我们的CAMP方法简单且十分有效。例如，我们使用AISHELL-1中的10小时音频数据及由CAMP生成的伪音频数据训练模型，取得了具竞争力的11.07字符错误率（CER）。此外，我们还仅使用AIDATATANG数据集中的10小时音频数据及CAMP生成的伪音频数据进行训练，同样取得了具竞争力的8.26 CER。
引用
@article{arxiv.2210.13067,
title = {10 hours data is all you need},
author = {Zeping Min and Qian Ge and Zhong Li},
journal= {arXiv preprint arXiv:2210.13067},
year = {2022}
}