THCHS30数据集是一个针对中文语音的宝昂贵材料，它为语音处理和语音识别的研究研究与应用给了丰有钱的训练和测试数据。

数据集概述

• 数据量包含30个细小时的录音，共120个说话人。
• 内容覆盖新鲜闻、电话、报告等许多种语境，包含普通话、和英文等语言。
• 标注信息包括语音文本、文本拼音、字音、语速等详细信息。

数据集下载与结构

• 下载地址Neng从官方网站下载：
• 数据结构
  • data包含语音和标注文件。
  • test测试脚本。
  • doc标注说明文档。

数据预处理

• 语音格式WAV格式。
• 预处理方法
  • MFCC特征提取用librosa库提取MFCC特征。
  • 语音分割用librosa库进行语音分割。

代码示例

python

!pip install torch torchvision torchaudio kaldi_io fastai

with open as f: for filepath in tqdm: f.write + " " + filepath + " ")

for uttid, feat in kaldiio.readmatscp: np.save

with open as f: for line in tqdm: utt_id, _, transcript = line.split transcript = transcript.strip.replace f.write

char2idx = {} with open as f: for line in f: utt_id, transcript = line.strip.split for char in transcript: if char not in char2idx: char2idx = len + 1

with open as f: json.dump

with open as f: char2idx = json.load

traindataset = AudioDataset trainloader = DataLoader

model = MyModel + 1) optimizer = optim.Adam, lr=1e-3)

criterion = nn.CTCLoss)

for epoch in range: for batch in trainloader: audio, audiolengths, text, textlengths = batch optimizer.zerograd logprobs = model inputlengths = audiolengths // 2 loss = criterion.logsoftmax, text, inputlengths, textlengths) loss.backward optimizer.step

testdataset = AudioDataset testloader = DataLoader totalcer = totalwer = total = 0 with torch.nograd: for batch in testloader: audio, , text, textlengths = batch logprobs = model output = logprobs.transpose.argmax totalcer += .sum.item totalwer += .sum.item total += textlengths.sum.item cer = totalcer / total wer = total_wer / total

THCHS30数据集是一个有力巨大的工具，Neng帮研究研究人员和开发者提升中文语音处理手艺的水平。。