Аудио-речевые данные

Наборы данных с аудиозаписями, размеченные речевые данные, аудиоклипы с разными акцентами и языками.

Common Voice — это открытый набор данных для обучения моделей распознавания речи. Он содержит аудиозаписи голосов людей, произносящих фразы на различных языках, а также текстовые транскрипции этих записей. Набор данных полезен для разработки и тестирования систем распознавания речи, улучшения моделей в области обработки звука и создания более точных голосовых интерфейсов.

Speech Commands — это набор данных, содержащий аудиозаписи команд, произносимых людьми. Он включает 30 команд, таких как "вперёд", "назад", "стоп" и другие, что делает его полезным для обучения моделей распознавания речи. Набор данных позволяет разработать системы, способные эффективно распознавать голосовые команды в реальном времени, и может использоваться в различных приложениях, включая голосовые интерфейсы и устройства умного дома.

OpenSLR 96 — это набор данных, предназначенный для задач распознавания речи и включает аудиозаписи и соответствующие транскрипции. Он содержит данные, собранные из различных источников, что делает его полезным для обучения и тестирования моделей, работающих с распознаванием речи. Набор данных подходит для разработки приложений в области обработки звука, а также для улучшения качества систем автоматического распознавания речи.

OpenSLR 12 — это набор данных для распознавания речи, содержащий аудиозаписи и соответствующие транскрипции. Он разработан для обучения моделей, ориентированных на обработку естественного языка и распознавание речи. Набор данных включает записи различных носителей языка, что делает его полезным для создания и тестирования систем автоматического распознавания речи и улучшения их производительности в реальных условиях.

TEDLIUM — это набор данных, содержащий аудиозаписи выступлений с конференций TED и их транскрипции. Он предназначен для задач распознавания речи и обработки естественного языка. Набор данных включает разнообразные темы и стили речи, что делает его полезным для обучения и тестирования моделей автоматического распознавания речи, а также для улучшения качества систем, работающих с речевыми данными.

DARPA TIMIT Acoustic-Phonetic Continuous Speech Corpus — это набор данных, содержащий аудиозаписи произнесённых предложений, аннотированных по фонемам и словам. Он предназначен для задач распознавания речи и фонетического анализа. Набор данных полезен для обучения моделей, работающих с фонемным представлением языка, а также для исследований в области фонетики и обработки звука.

FMA (Free Music Archive) — это набор данных, содержащий музыкальные треки из открытого музыкального архива. Он включает метаданные о треках, такие как жанры, исполнители и альбомы. Набор данных полезен для задач анализа музыки, классификации жанров, обучения моделей рекомендаций и других приложений в области обработки аудио и музыкального анализа.

VoxForge — это проект, нацеленный на сбор и предоставление открытых наборов данных для распознавания речи. Он включает аудиозаписи, сделанные добровольцами, произносящими текстовые фразы, а также соответствующие транскрипции. Набор данных полезен для разработки и тестирования систем распознавания речи, особенно для языков с недостаточным количеством доступных данных. VoxForge поддерживает сообщество, стремящееся улучшить качество технологий распознавания речи.

REVERB-2MIX — это набор данных, созданный для задач разделения источников звука, особенно в контексте разговорной речи. Он включает в себя аудиозаписи, содержащие смешанные звуки речи и фоновые шумы, аннотированные для исследования алгоритмов, предназначенных для отделения голосов от шумов. Набор данных полезен для разработки и тестирования моделей, работающих с задачами распознавания и обработки звука в сложных акустических условиях.

RAVDESS Emotional Speech Audio — это набор данных, содержащий аудиозаписи эмоциональной речи, записанные актерами. Набор включает 24 эмоциональных состояния, таких как радость, печаль, гнев и удивление, представленных в виде аудиофайлов. Он полезен для задач распознавания эмоций, анализа и классификации аудиосигналов, а также для разработки систем, способных интерпретировать эмоции в речи.

NSynth (Neural Synth) — это набор данных, содержащий 300 000 аудиозаписей синтезированных музыкальных инструментов. Каждая запись сопровождается метаданными, включая информацию о типе инструмента, высоте звука и других характеристиках. Набор данных полезен для исследований в области генерации музыки, обучения моделей, работающих с аудио, и разработки приложений в сфере музыки и звукового дизайна.

ESC-50 — это набор данных, содержащий 2 000 звуковых записей, классифицированных по 50 категориям окружающих звуков, таких как звуки природы, музыкальные инструменты и звуки животных. Набор данных полезен для задач классификации звуков, обучения моделей распознавания аудио и исследований в области обработки звука и акустического анализа. Каждый звук сопровождается метаданными, что упрощает его использование в различных

VoxConverse — это набор данных, содержащий разговорные диалоги, собранные из различных источников. Он включает аудиозаписи диалогов между людьми, аннотированные для изучения различных аспектов общения, таких как интонация, эмоции и взаимодействие. Набор данных полезен для разработки моделей, ориентированных на распознавание речи, анализ диалогов и улучшение систем взаимодействия человека и компьютера, обеспечивая ресурсы для исследований в области обработки естественного языка.

Многоязычный речевой корпус доступен для загрузки через FTP, который расположен на одном из серверов Института интеллектуальных систем и искусственного интеллекта (ISSAI) под международной лицензией Creative Commons Attribution 4.0.

Kazakh Speech Corpus — это набор данных, созданный для задач распознавания речи на казахском языке. Он включает аудиозаписи, произнесенные носителями языка, и их текстовые транскрипции. Набор данных полезен для разработки и тестирования систем автоматического распознавания речи, обучения моделей, ориентированных на казахский язык, а также для исследований в области обработки естественного языка и улучшения технологий распознавания речи.

EmoReact — это мультимодальный набор данных об эмоциях детей в возрасте от четырех до четырнадцати лет, содержащий 1102 видеоролика; самый большой набор данных в своем роде. Этот набор данных аннотирован для 17 аффективных состояний, включая шесть основных эмоций (счастье, печаль, удивление, страх, отвращение и гнев), нейтральные, валентные и девять сложных эмоций, включая любопытство, неуверенность, волнение, внимательность, исследование, замешательство, тревогу, смущение и разочарование.