免费中文语音数据集

♪作者：帅帅家的人工智障

欢迎关注vx公众号、围脖、bilibili同名号

授权后可转载

---

本文会简单介绍一下目前开源或者可以免费申请的中文语音数据集，同时还会提供下载的链接，方便大家申请或者下载。

---

忍不住放一张好看的ctc + Attention组合，当然要是加上transformer会更好~

---

01：AISHELL

AISHELL1：178h，16khz，16bit，400人录制，涉及智能家居、无人驾驶、工业生产等11个领域。

下载链接：http://cn-mirror.openslr.org/33/

AISHELL2：1000h，16khz，16bit，1911人录制，录音文本涉及唤醒词、语音控制词、智能家居、无人驾驶、工业生产等12个领域。

下载链接：http://www.aishelltech.com/aishell_2

注意：AISHELL2需要用学校相关信息免费申请

---

02：THCHS-30

THCHS-30：30h，16khz，30人录制，清华大学30小时中文语音库。安静的办公室环境下，通过单个碳粒麦克风录取，文本选取自大容量的新闻。

下载链接：http://cn-mirror.openslr.org/18/

---

03：ST-CMDS

ST-CMDS：500h，16khz，16bit，855人录制，全称Free ST Chinese Mandarin Corpus。安静的室内环境下，通过单个碳粒麦克风录取，文本选取网络聊天智能音箱控制等。

下载链接：http://cn-mirror.openslr.org/38/

---

04：Primewords Chinese Corpus Set 1

Primewords Chinese Corpus Set 1：100h，使用智能手机录制，296个说话人，可以免费用于学术用途。

下载链接：http://cn-mirror.openslr.org/47/

---

05：aidatatang_200zh

aidatatang_200zh：200h，16khz，16bit，600人录制，Android和iOS手机录制。安静的室内环境下录制。

下载链接：http://www.openslr.org/62/

---

06：hkust

hkust：200h，16khz，16bit。中文电话数据集，电话对话，espnet，kaldi里面都有egs。

下载链接：http://catalog.ldc.upenn.edu/LDC2005S15

---

中文语音数据集很多，如gale_mandarin: 中文新闻广播数据集等，上面几个基本是大家比较常用的，如使用kaldi、espnet等工具会有相应的egs baseline，配好环境直接上手就能跑。

另外可能要注意的是，有些免费指的是学术研究免费~

---