Facebook开源了目前世界上最大的多语言语音数据集

最近，Facebook开源了目前世界上最大的多语言语音数据集，VoxPopuli：

这一数据集共涵盖了23种语言，时长超过40万小时。

其中，每种语言都有9000到18000小时的无标签语音数据。

此外，还包括了共1800小时，16种语言的转录语音数据，以及17300小时，15种目标语言的口译语音数据。

这一数据集庞大的无标签数据量和广泛的语言覆盖率，对改进自监督模型有着很大的帮助。

而Facebook也希望能够帮助提高语音数据集的质量和鲁棒性，使训练语音转换神经网络更加可靠。

最终加速新的NLP系统的开发，使AI翻译的效果越来越好。

而数据集的名字，VoxPopuli的直译“人民的心声”也表示了其原始数据的来源——

即源语音全都收集自2009-2020年欧洲议会的活动录音。

在欧洲议会的各自活动，如全体会议、委员会会议和其他活动上，发言者都会以不同的欧盟语言轮流发表演讲。

Facebook就是从欧会官网上抓取了每个演讲的文字记录、演讲者信息、开始/结束时间戳。

论文地址：

https://arxiv.org/abs/2101.00390

下载：

https://github.com/facebookresearch/voxpopuli