想让语音助手听懂方言，这个数据集或能帮你？

来源：HyperAI超神经

本文约1400字，建议阅读5分钟
方言是语音识别技术发展中必须要迈过去的坎儿，那么如何让模型能够听懂和理解方言呢？使用优质的数据集是一种的方法，本文将介绍一个经典的方言录音数据集 TIMIT。

关键词：语音识别  方言识别  数据集

随着科技的成熟，语音识别技术已经走进生活的方方方面，但在方言识别和处理上却还是略显吃力。

就拿美式英语来说，虽然书面表达接近标准化，但不同的地区，由于方言，口音，俚语等存在，发音的方式方法、词汇的拼法千差万别。

这导致语音系统在识别方言时会出现差错，甚至会闹出笑话。

方言，让智能音箱不懂你

2018 年，华盛顿邮报，Globalme 和 Pulse Labs （语音研究公司）合作，对主流的智能音箱做了一份测试，探究方言、口音对语音识别系统的影响。

美国 20 多个城市、超 100 名参与者进行了测试，他们发出的数千条方言语音命令，被主流智能音响识别时，识别结果存在着显著的差异。

不同口音的识别准确率区别很大

其中，Google Home 识别西岸口音的准确率，比识别南方口音高 3%；而亚马逊的语音助手 Alexa，识别中西部口音的准确率，要比东岸口音低 2%。

也就是说，智能音箱并不能对各地方言进行通吃。而最严重的问题，发生在识别非本土口音时。

对于移民群体的发音，Google Home 或者 Amazon Echo 的英语识别，准确率都特别低。其中对于拉丁裔和华裔群体，用 Alexa 识别的内容，不准确率达到了 30%。

听不懂？可能是数据没到位

想要解决这个问题，就需要让 AI 听懂不同方言的语音，从而在交互中分辨出真要表达的语句。

对于这个困境，谷歌和亚马逊都曾提到了基于数据的解决方案。

亚马逊在一份声明中称，随着使用不同方言的人和 Alexa 进行交流，它的理解能力会得到改善。而谷歌表示，在扩大多样化数据集的同时，将继续提高 Google Home 的识别能力。

某种层面来讲，语音识别中的方言、口音识别问题，可归咎于数据不足。语料库的质量越高，语言模型越多种多样，理论上来说语音识别系统的准确率越高。

美国英语口音分布地图

所以要解决方言识别的，有效的一种方式是拥有优质的数据集。

而 TIMIT 方言录音数据集，就是早期的数据科学家们，意识到此类问题后构建而来，它也很好地背负起了训练方言识别的使命。

问世 20 年，还被广泛使用

TIMIT 方言录音数据集，于 1993 年推出，涵盖了 8 种主要美国英语方言共 6300 个录音片段，旨在帮助语音系统中方言识别的开发和评估。

TIMIT 方言录音数据集

包含数量：6300 个方言录音片段

数据格式：wav\txt\wrd\phn

采样方式：16 KHz  16 bit

数据大小：419.82 MB

发布时间：1993 年

包含内容：录音片段、句子、单词、因素内容

下载地址：https://hyper.ai/datasets/5684

该数据集由麻省理工学院、SRI 国际和德州仪器公司合作而得到，具有 630 位采集者，每人提供 10 个语音丰富的句子录音。

因为指定了测试和培训集，数据集很好地平衡了语音和方言的覆盖范围。

训练集和测试集的分配

其内容包括一些与话语句子相关的文件，除了语音波形文件(.wav)外，还包括对应的句子内容(.txt)，经过时间对齐(time-aligned)的单词内容(.wrd)，经过时间对齐(time-aligned)的音素内容(.phn)三种类型的文件。

数据集包含多种句子类型

作为语音识别领域的经典数据集，TIMIT 方言录音数据集被广泛使用，在谷歌学术列表中，有多篇高质量的论文引用，由此推动了语音识别实验的进展。

二十多年后，该数据集仍然被广泛使用在语音识别的研究之中。

由于数据集每个句子都在音素级别上进行了手动标记，同时提供了说话人的编号，性别，方言种类等多种信息，在今日仍然不显落后。

另外数据集很小，能在短时间内完成模型训练，同时又足以展示出系统的性能。

虽然数据并不能完全解决语音识别中的方言和口音问题，但拥有更好的方言数据集，将是破解这个问题的关键一步。

—— 完 ——

编辑：王菁

校对：杨学俊