Common Voice DatasetMozilla 开源的语音数据库

Common Voice 是 Mozilla 的开源项目，基于 MPL 协议发行，到目前为止已经诞生了几年时间，它允许志愿者们为语音识别软件的数据库做出贡献，而这个数据库属于公共领域，所有人都可以将这些数据用于语音合成和识别软件。新的数据集大约每 6 个月发布一次。

所有的语音贡献都作为数据集的一部分发布，而不考虑验证状态。只在用户有要求的情况下才会从数据集中删除片段。这些片段被捆绑起来，并使用 Common Voice Bundler 工具上传到 S3。

每个下载的 .tar.gz 文件将有以下结构，其中 [lang] 代表该语言的 ISO 639-1 代码。

[lang].tar.gz/
├── clips/
│   ├── *.mp3 files
|__ dev.tsv
|__ invalidated.tsv
|__ other.tsv
|__ test.tsv
|__ train.tsv
|__ validated.tsv
|__ reported.tsv (as of Corpus 5.0)

字段

tsv 文件的每一行代表一个音频片段，并包含以下信息：

• client_id - 特定用户的哈希 UUID
• path - 音频文件的相对路径
• 文本 - 音频的假定转录
• up_votes - 音频与文本相符的人的数量
• down_votes - 音频与文本不匹配的人的数量
• age -- 说话人的年龄
• gender - 说话人的性别
• accent - 说话人的口音
• segment - 如果句子属于自定义数据集的片段，它将被列在这里