971

VoxForge 语音库

VoxForge

VoxForge 语言数据集 语言识别 kaldi

VoxForge 创建的初衷是为免费和开源的语音识别引擎收集标注录音.

免积分下载
数据集市
2020年12月31日
12.6GB

相关数据

MS-微软语音语料库(印度语)
MS-微软语音语料库(印度语)
Microsoft Speech Corpus(印度语言)发... 免积分下载
说话人深度识别数据集(VoxCeleb2)
说话人深度识别数据集(VoxCeleb2)
VoxCeleb是一个视听数据集,由从上传到YouTube的... 免积分下载
ESC环境噪音分类数据集
ESC环境噪音分类数据集
ESC 数据集是一组以统一格式提供的短期环境记录(5 秒长剪... 免积分下载

数据介绍

VoxForge 创建的初衷是为免费开源语音识别引擎收集标注录音(在 Linux/Unix,Windows 以及 Mac 平台上)。

我们以GPL 协议开放所有提交的录音文件,并制作声学模型,以供开源语音识别引擎使用,如CMUSphinxISIPJuliasgithub)和HTK(注意:HTK 有分发限制)。

为什么需要免费的 GPL 协议的录音? 开源语音识别(或语音转写)引擎使用的声学模型是**闭源**的。使用者没有接触用于制作这些声学模型的音频和标注文件(即语料库)的权限。 造成这一现象的原因是,真正能够用于制作语音识别引擎声学模型的语料库没有免费的。开源项目需要购买有限版权的语料库,也就是说不允许他们分发语料数据,但是可以分发用这些数据制作的声学模型。

如何贡献 点击“用你的计算机提交录音”图标,学习如何用你的计算机录制你的声音并提交至 VoxForge。

下载脚本(python 爬取):

import urllib
import urllib2
import os
import re
os.chdir('D:\\voxforge speech files\\')#改变当前路径
#refiles=open('speech_files_path.txt','w+')#存储所有下载连接
mainpath='http://www.repository.voxforge1.org/downloads/SpeechCorpus/Trunk/Audio/Main/16kHz_16bit/'
def gettgz(url):
    page=urllib.urlopen(url)
    html=page.read()
    reg=r'href=".*\.tgz"'
    tgzre=re.compile(reg)
    tgzlist=re.findall(tgzre,html)  #找到所有.tgz文件
    for i in tgzlist:
        filename=i.replace('href="','')
        filename=filename.replace('"','')
        print '正在下载:'+filename #提示正在下载的文件
        downfile=i.replace('href="',mainpath)
        downfile=downfile.replace('"','') #得到每个文件的完整连接
        req = urllib2.Request(downfile)  #下载文件
        ur = urllib2.urlopen(req).read()
        open(filename,'wb').write(ur) #把下载的文件以tgz格式存储在D盘
refiles.write(downfile+'\n')
html=gettgz(mainpath)
#refiles.close()

或者使用 kaldi 的脚本:

https://github.com/kaldi-asr/kaldi/blob/master/egs/voxforge/s5/getdata.sh

还没有任何文件记录.