AISHELL开源178小时中文普通话数据库 AISHELL-ASR0009-OS1

近日，北京希尔贝壳科技有限公司（AISHELL）在Kaldi平台上开源178小时中文普通话数据库（AISHELL-ASR0009-OS1）。是迄今为止，在Kaldi平台上发布的时长最长、覆盖发音人数最多的，中文普通话数据库；是继清华大学之后，在此平台上发布的第二个中文普通话数据库。

了解Kaldi

Kaldi官网：http://kaldi-asr.org

Kaldi GitHub:https://github.com/kaldi-asr/kaldi

数据开源地址：http://www.openslr.org/33

数据介绍地址：http://www.aishelltech.com/kysjcp

了解希尔贝壳

希尔贝壳，是一家专注人工智能大数据和技术服务，拥有语音识别、语音合成、声纹识别、音频检索技术的科技创新企业。针对家居、车载、机器人等产品做精准数据制作，根据场景化的应用需求做数据的创新和差异化的服务方案。利用机器学习平台，在语音数据评测、辅助转写、数据分析等建立了领先的核心技术体系，并进一步扩大技术和大数据、物联网的融合。

希尔贝壳产品

智能家居数据方案

智能车载数据方案

智能机器人数据方案

基础数据

希尔贝壳开源数据

人工智能民主化，是希尔贝壳成立之初的愿景，也是众多人工智能领域研究者和学习者的共同期待。此次开源178小时中文数据，希尔贝壳本着这个美好朴素的愿景，用精心制作的高质量数据，为人工智能语音场景发展尽一份绵薄之力。作为中国的语音研究者，在Kaldi上奉献出中文的数据资源，分享给全球。旨在使得对中文的语音研究，可以在更高的台阶上起步。

希尔贝壳今后还会不定期开源更多更新的语音数据，训练模型，实验结果及人工智能解决方案。

希尔贝壳中文普通话语音数据库

希尔贝壳中文普通话语音数据库（AISHELL-ASR0009）是为人工智能中文普通话语音识别设计的基础数据库。从语料设计、语料爬取、到数据库设计、录制实施、到文本标注以及词典设计、词典生成，全部由希尔贝壳自主设计，独立完成。此次开源的178小时中文普通话数据（AISHELL-ASR0009-OS1）为此库的一部分，包含400位来自中国不同口音区域的发音人，语料内容涵盖财经、科技、体育、娱乐、时事新闻。匹配Kaldi采样率及比特率为16000Hz，16bit。

如下表所示：

语音识别实验

希尔贝壳使用此次开源的178小时数据在Kaldi上进行语音识别实验。

训练集340人，开发集40人，测试集20人。

测试结果如下：

更多baseline的实验结果会不断迭代。

（关注我们，微信号：aishelltech）