Libriheavy：一个带标点、大小写与上下文的 50,000 小时 ASR 语料库

在本文中，我们介绍 Libriheavy，一个由 LibriVox 衍生的 50,000 小时英语朗读语音组成的大规模 ASR 语料库。据我们所知，Libriheavy 是规模最大的带有监督信息且自由可用的语音语料库。与其他仅提供规范化转录的开源数据集不同，Libriheavy 包含更丰富的信息，如标点、大小写和文本上下文，这为系统构建带来了更大灵活性。具体而言，我们提出一个通用且高效的流程，将先前发布的 Librilight 中的音频定位、对齐并切分至其对应文本。与 Librilight 相同，Libriheavy 也拥有 small、medium、large 三个训练子集，规模分别为 500h、5000h、50000h。我们还从对齐音频中提取了开发集与测试评估集，并保证训练集中无重叠说话人与书籍。基线系统基于流行的 CTC-Attention 与 transducer 模型构建。此外，我们开源了数据集创建流程，该流程亦可应用于其他音频对齐任务。