open speech corpora下载 - open speech corpora源代码下载

open speech corpora

其他源码

下载

？开放语音语料库

用于语音技术研究和开发的开放语音语料库列表。

该列表优先考虑免费（即无美元成本）和真正开放的语料库（例如根据知识共享许可或社区数据许可协议发布）。并非所有这些语料库都可以满足这些标准，但以下所有语料库都可以访问并可用于研究和/或商业用途。

请随意向列表提出补充！

问题中存在大量积压的语料库，非常欢迎 Pull Requests :)

CC-0

语料库	语言	# 小时	# 演讲者	下载	执照
共同声音	多种语言	>15,000 小时（已验证）； >20,000 小时（总计）	多扬声器	https://voice.mozilla.org/en/datasets	CC-0
耶斯诺	希伯来语	6分钟	一名男性	http://www.openslr.org/1/	CC-0
LJ语音语料库	英语	〜24小时	一名女性	https://data.keithito.com/data/speech/LJSpeech-1.1.tar.bz2	CC-0
NST 丹麦 ASR 数据库	丹麦语	229,992 条言论	616 发言者	原始：https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-19/，重组：https://www.nb.no/sprakbanken/en/resource-catalogue /oai-nb-no-sbr-55/	CC-0
NST 丹麦语听写	丹麦语	34,955 条言论	151 位发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-20/	CC-0
NST 丹麦语语音合成	丹麦语	4,108 条言论	1 男发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-21/	CC-0
NST 瑞典 ASR 数据库	瑞典	366,000 条言论	1,000 名发言者	原始：https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-16/，重组：https://www.nb.no/sprakbanken/en/resource-catalogue /oai-nb-no-sbr-56/	CC-0
NST 瑞典语听写	瑞典	45,620 条言论	195 位发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-17/	CC-0
NST 瑞典语语音合成	瑞典	5,279 条言论	1 男发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-18/	CC-0
NST 挪威 ASR 数据库	挪威	359,760 条言论	980 个发言者	原始：https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-13/，重组：https://www.nb.no/sprakbanken/en/resource-catalogue /oai-nb-no-sbr-54/	CC-0
NST 挪威语听写	挪威	33,360 条言论	144 位发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-14/	CC-0
NST 挪威语语音合成	挪威	5,363 条言论	1 男发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-15/	CC-0
NB Tale – 挪威语语音数据库	挪威	7,600 条话语 + 约 12 小时	380 个扬声器	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-31/	CC-0
挪威议会演讲语料库 (v0.1)	挪威	〜59小时	203 发言者	https://www.nb.no/sprakbanken/en/resource-catalogue/oai-nb-no-sbr-58/	CC-0
维基共享资源奥迪亚	奥迪亚	〜8小时	约 20 位发言者	https://commons.wikimedia.org/wiki/Category:Odia_发音	大部分（？）CC-0
Thorsten-21.02-中性	德语	〜24小时	1 男发言者	https://www.Thorsten-Voice.de	CC-0
Thorsten-21.06-情感	德语	2.400 条话语（8 种情绪）	1 男发言者	https://www.Thorsten-Voice.de	CC-0

CC-BY

语料库	语言	# 小时	# 演讲者	下载	执照
ARU语音语料库	英语（英国）	720 次发言/发言者	12（6 女；6 男）	http://datacat.liverpool.ac.uk/681/1/ARU_Speech_Corpus_v1_0.zip	抄送3.0
Althingi 议会演讲语料库	冰岛语	542小时25分钟	196 位发言者	http://www.malfong.is/index.php?dlid=73&lang=en	CC-BY 4.0
Alþingisumræður 议会演讲语料库	冰岛语	〜21小时		http://www.malfong.is/index.php?dlid=8&lang=en	抄送3.0
哈尔语料库	冰岛语	约 41,000 条录音	883 发言者	http://www.malfong.is/index.php?dlid=5&lang=en	抄送3.0
Malromur 语料库	冰岛语	152小时	563 发言者	http://www.malfong.is/index.php?dlid=65&lang=en	CC-BY 4.0
Kinect 远程合作德语语料库	德语	〜35小时	约 180 位发言者	http://www.repository.voxforge1.org/downloads/de/german-speechdata-TUDa-2015.tar.gz	CC-BY 2.0
非洲语音技术英英语音语料库	英语	〜21小时		https://repo.sadilar.org/handle/20.500.12185/283	CC-BY 2.5 南非
非洲语音技术 isiXhosa 语音语料库	伊西科萨语	〜26小时		https://repo.sadilar.org/handle/20.500.12185/305	CC-BY 2.5 南非
NCHLT 南非荷兰语	南非荷兰语	56小时	210 名发言者（98 名女性/112 名男性）	https://repo.sadilar.org/handle/20.500.12185/280	抄送3.0
NCHLT 英语	英语	56小时	210 名发言者（100 名女性/110 名男性）	https://repo.sadilar.org/handle/20.500.12185/274	抄送3.0
NCHLT 伊辛德贝莱	伊辛德贝莱	56小时	148 名发言者（78 名女性/70 名男性）	https://repo.sadilar.org/handle/20.500.12185/272	抄送3.0
NCHLT 伊西科萨语	伊西科萨语	56小时	209 名发言者（106 名女性/103 名男性）	https://repo.sadilar.org/handle/20.500.12185/279	抄送3.0
NCHLT 伊西祖鲁语	伊西祖鲁语	56小时	210 名发言者（98 名女性/112 名男性）	https://repo.sadilar.org/handle/20.500.12185/275	抄送3.0
NCHLT 塞佩迪	塞佩迪	56小时	210 名发言者（100 名女性/110 名男性）	https://repo.sadilar.org/handle/20.500.12185/270	抄送3.0
NCHLT 塞索托	塞索托语	56小时	210 名发言者（113 名女性/97 名男性）	https://repo.sadilar.org/handle/20.500.12185/278	抄送3.0
NCHLT 茨瓦纳	茨瓦纳语	56小时	210 名发言者（109 名女性/101 名男性）	https://repo.sadilar.org/handle/20.500.12185/281	抄送3.0
NCHLT 西斯瓦蒂	西斯瓦蒂	56小时	197 名发言者（96 名女性/101 名男性）	https://repo.sadilar.org/handle/20.500.12185/271	抄送3.0
NCHLT 茨文达	奇文达	56小时	208 名发言者（83 名女性/125 名男性）	https://repo.sadilar.org/handle/20.500.12185/276	抄送3.0
NCHLT 西松加	西松加	56小时	198 名发言者（95 名女性/103 名男性）	https://repo.sadilar.org/handle/20.500.12185/277	抄送3.0
Lwazi II 跨语言专有名称语料库	南非荷兰语；英语;祖鲁语；塞索托语	2小时5分钟	20 名发言者	https://repo.sadilar.org/handle/20.500.12185/445	抄送3.0
Lwazi II 专有名称呼叫路由电话语料库	英语	2小时7分钟		https://repo.sadilar.org/handle/20.500.12185/448	抄送3.0
Lwazi II 南非荷兰语轨迹跟踪语料库	南非荷兰语	4小时	一名男性	https://repo.sadilar.org/handle/20.500.12185/442	抄送3.0
图书馆演讲	英语	〜1000小时	2484 名发言者（1201 名女性/1283 名男性）	http://www.openslr.org/12/	CC-BY 4.0
Zeroth-韩语	韩国人	52.8小时	115 位发言者	http://www.openslr.org/40/	CC-BY 4.0
语音命令	英语	17.8小时	>1,000 名发言者	https://ai.googleblog.com/2017/08/launching-speech-commands-dataset.html	CC-BY 4.0
议会议会	加泰罗尼亚语	320小时		https://www.openslr.org/59/	CC-BY 4.0
SIWIS	法语	〜10小时	一名女性	http://datashare.is.ed.ac.uk/download/DS_10283_2353.zip	CC-BY 4.0
VCTK	英语	44小时	109 位发言者	http://datashare.is.ed.ac.uk/download/DS_10283_3443.zip	CC-BY 4.0
图书馆TTS	英语	586小时	2,456 名发言者（1,185 名女性/1,271 名男性）	http://www.openslr.org/60/	CC-BY 4.0
增强型LibriSpeech	音频（英语）；文本（英语、法语）	236小时		https://persyval-platform.univ-grenoble-alpes.fr/datasets/DS91	CC-BY 4.0
赫尔辛基韵律语料库	英语	262.5小时	1,230 位发言者	https://github.com/Helsinki-NLP/prosody	CC-BY 4.0
图瓦语音数据库	挪威	24小时	40 名发言者	https://www.nb.no/sprakbanken/show?serial=oai:nb.no:sbr-44&lang=	CC-BY 4.0
COERLL K'iche' 语料库	基切	34分钟	？扬声器	https://cl.indiana.edu/~ftyers/resources/utexas-kiche-audio.tar.gz	CC-BY 4.0
定时器等 v0.1	英语（合成：美国，真实：各个国家）	合成：172 小时，真实：0.29 小时	21 种合成，11 种真实	https://zenodo.org/record/4110812#.X9j0RmBOkYM	CC-BY 4.0
捷克议会全体听证会大型语料库	捷克语	444小时		https://lindat.mff.cuni.cz/repository/xmlui/handle/11234/1-3126	CC-BY 4.0

CC-BY-SA

语料库	语言	# 小时	# 演讲者	下载	执照
伊班语	伊班语	8小时		http://www.openslr.org/24/ https://github.com/sarahjuan/iban	CC-BY-SA 2.0
维斯塔迪尔 2013	英语;捷克语	41小时； 15小时		http://www.openslr.org/6/	CC-BY-SA 3.0 美国
Vystadial 2016 捷克语	捷克语	77小时；包括 Vystadial 2013 捷克语		https://lindat.cz/repository/xmlui/handle/11234/1-1740	CC-BY-SA 4.0
免费口语数字数据集	英语	2,000 个独立数字	4 个扬声器	https://github.com/Jakobovski/free-spoken-digit-dataset	CC-BY-SA 4.0
谷歌爪哇语	爪哇语	296小时	1019 发言者	http://www.openslr.org/35/	CC-BY-SA 4.0
谷歌尼泊尔语	尼泊尔语	165小时	527 位发言者	http://www.openslr.org/54/	CC-BY-SA 4.0
谷歌孟加拉语	孟加拉	229小时	508 发言者	http://www.openslr.org/53/	CC-BY-SA 4.0
谷歌僧伽罗语	僧伽罗语	224小时	478 位发言者	http://www.openslr.org/52/	CC-BY-SA 4.0
谷歌巽他语	巽他语	333小时	542 发言者	http://www.openslr.org/36/	CC-BY-SA 4.0
维基百科口语语料库 (SWC-2017)	英语;德语;荷兰语	182 小时； 249小时； 79小时	395 位发言者； 339 位发言者； 145 位发言者	https://nats.gitlab.io/swc/	CC-BY-SA 4.0
楚瓦什语 TTS	楚瓦什语	4小时	1 个扬声器	https://github.com/ftyers/Turkic_TTS	CC-BY-SA 4.0
福施吉斯特	德语	2小时	2 位发言者（1 名女性；1 名男性）	女发言人：https://goofy.zamia.org/zamia-speech/corpora/forschergeist/annettevogt-20180320-rec.tgz；男发言者：https://goofy.zamia.org/zamia-speech/corpora/forschergeist/timpritlove-20180320-rec.tgz	CC-BY-SA 4.0
SMC 的马拉雅拉姆语语音语料库	马拉雅拉姆语	1:36 小时	75 名发言者（3 名女性、12 名男性、60 名身份不明）	https://releases.smc.org.in/msc-reviewed-speech/	CC-BY-SA 4.0
谷歌马拉雅拉姆语	马拉雅拉姆语	3.02小时	24 个发言者	http://www.openslr.org/63/	CC-BY-SA 4.0

CC-BY-ND

语料库	语言	# 小时	# 演讲者	下载	执照
IBM 辩论录音 v1	英语	5小时	10 名发言者	https://www.research.ibm.com/haifa/dept/vst/debating_data.shtml#Debate%20Speech%20Analysis	CC-BY-ND
IBM 辩论录音 v2	英语	〜14小时	14 个扬声器	https://www.research.ibm.com/haifa/dept/vst/debating_data.shtml#Debate%20Speech%20Analysis	CC-BY-ND

CC-BY-NC

语料库	语言	# 小时	# 演讲者	下载	执照
TV3帕尔拉	加泰罗尼亚语	240小时		http://laklak.eu/share/tv3_0.3.tar.gz	CC-BY-NC 4.0
俄罗斯公开 STT 语料库	俄语	公开约 10,000 小时，根据要求可提供约 10,000 小时		https://github.com/snakers4/open_stt/#links	CC-BY-NC 4.0，但有一些例外
俄语公开 TTS 语料库	俄语	145小时	3 男	https://github.com/snakers4/open_tts/#links	CC-BY-NC 4.0 的一些期望
OVM – Otázky Václava Moravce	捷克语	35小时		https://lindat.mff.cuni.cz/repository/xmlui/handle/11858/00-097C-0000-000D-EC98-3	CC-BY-NC 3.0

CC-BY-NC-SA

语料库	语言	# 小时	# 演讲者	下载	执照
ChiME-首页	英语	6.8小时		https://archive.org/details/chime-home	CC-BY-NC-SA 3.0
喀麦隆洋泾浜英语语料库	喀麦隆洋泾浜英语	〜17小时		http://ota.ox.ac.uk/text/2563.zip	CC-BY-NC-SA 3.0

CC-BY-NC-ND

语料库	语言	# 小时	# 演讲者	下载	执照
塔托巴-英格	英语	~250 小时（粗略估计）	6 个扬声器	https://voice.mozilla.org/en/datasets	CC-BY-NC 4.0（部分音频）/CC-BY-NC-ND 3.0（大部分音频）/CC-BY 2.0（所有文本）
泰德-刘姆	英语	118小时	685 名发言者（36h 女性/81h 男性）	http://www.openslr.org/7/	CC-BY-NC-ND 3.0
TED-LIUM-2	英语	207 小时	1242 个扬声器（66h 女性/141h 男性）	http://www.openslr.org/19/	CC-BY-NC-ND 3.0
TED-LIUM-3	英语	452小时	2028 个扬声器（134h 女性/316h 男性）	http://www.openslr.org/51/	CC-BY-NC-ND 3.0
盘索里 TEDxKR	韩国人	3小时	41 位发言者	http://www.openslr.org/58/	CC-BY-NC-ND 4.0
Primewords 普通话	普通话	100小时	296 位发言者	http://www.openslr.org/47/	CC-BY-NC-ND 4.0
MuST-C v1.0	音频（英语）；文本（荷兰语、法语、德语、意大利语、葡萄牙语、罗马尼亚语、俄语、西班牙语）	每个语言对 408、504、492、465、442、385、432、489 小时		https://ict.fbk.eu/must-c-release-v1-0/	CC-BY-NC-ND 4.0
捷克议会会议	捷克语	88小时		https://lindat.mff.cuni.cz/repository/xmlui/handle/11858/00-097C-0000-0005-CF9C-4	CC-BY-NC-ND 3.0
本巴演讲	本巴	24小时	17 名发言者（9 男/8 女）	https://github.com/csikasote/BembaSpeech	CC-BY-NC-ND 4.0

CDLA-许可

语料库	语言	# 小时	# 演讲者	下载	执照
迪普科	英语	〜5小时	32 名发言者（13 名女性；19 名男性）	https://s3.amazonaws.com/dipco/DiPCo.tgz	CDLA-Permissive-1.0

GNU 通用公共许可证

语料库	语言	# 小时	# 演讲者	下载	执照
沃克斯锻造	英语	约 120 小时	约 2966 位发言者	http://www.repository.voxforge1.org/downloads/en/Trunk/Audio/Main/16kHz_16bit/ https://voice.mozilla.org/en/datasets	GNU-GPL 3.0
沃克斯锻造	俄语			http://www.repository.voxforge1.org/downloads/ru/Trunk/Audio/Main/16kHz_16bit/ http://www.repository.voxforge1.org/downloads/Russian/Trunk/Audio/Main/16kHz_16bit/	GNU-GPL 3.0
沃克斯锻造	德语			http://www.repository.voxforge1.org/downloads/de/Trunk/Audio/Main/16kHz_16bit/	GNU-GPL 3.0

阿帕奇许可证

语料库	语言	# 小时	# 演讲者	下载	执照
艾舍尔-1	普通话	170小时	400 名发言者	http://www.openslr.org/33/	阿帕奇2.0
突尼斯_MSA	现代标准阿拉伯语（突尼斯）	11.2小时	118 位发言者	http://www.openslr.org/46/	阿帕奇2.0
非洲口音的法语	法语	22小时	232 个发言者	http://www.openslr.org/57/	阿帕奇2.0
THCHS-30	普通话中文	33.57 小时（13,389 条言论）	40 名发言者（31 名女性；9 名男性）	http://www.openslr.org/18/	阿帕奇2.0
生活音频数据集 - 荷兰语	荷兰语	57:49 分钟	1 个扬声器	https://github.com/Idlak/Living-Audio-Dataset	阿帕奇2.0
生活音频数据集 - 英语	英语	50:50 分钟	1 个扬声器	https://github.com/Idlak/Living-Audio-Dataset	阿帕奇2.0
生活音频数据集 - 爱尔兰语	爱尔兰语	61:56 分钟	1 个扬声器	https://github.com/Idlak/Living-Audio-Dataset	阿帕奇2.0
生活音频数据集 - 俄语	俄语	34:58 分钟	1 个扬声器	https://github.com/Idlak/Living-Audio-Dataset	阿帕奇2.0

麻省理工学院许可证

语料库	语言	# 小时	# 演讲者	下载	执照
阿尔法	阿姆哈拉语；豪萨语（付费）；斯瓦希里语；沃洛夫语			http://www.openslr.org/25/ https://github.com/besacier/ALFFA_PUBLIC	麻省理工学院

BSD 3 条款许可证

语料库	语言	# 小时	下载	执照
M-AILAB德语语料库	德语	237小时22分钟	http://www.caito.de/data/Training/stt_tts/de_DE.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILABS 女王英语语料库	女王英语	45小时35分钟	http://www.caito.de/data/Training/stt_tts/en_UK.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILABS美国英语语料库	美式英语	102小时7分钟	http://www.caito.de/data/Training/stt_tts/en_US.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILAB 西班牙语语料库	西班牙语西班牙语	108小时34分钟	http://www.caito.de/data/Training/stt_tts/es_ES.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILABS 意大利语语料库	意大利语	127小时40分钟	http://www.caito.de/data/Training/stt_tts/it_IT.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILABS 乌克兰语语料库	乌克兰	87小时8分钟	http://www.caito.de/data/Training/stt_tts/uk_UK.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILAB俄语语料库	俄语	46小时47分钟	http://www.caito.de/data/Training/stt_tts/ru_RU.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILABS 法语-v0.9 语料库	法语	190小时30分钟	http://www.caito.de/data/Training/stt_tts/fr_FR.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）
M-AILAB波兰语语料库	抛光	53小时50分钟	http://www.caito.de/data/Training/stt_tts/pl_PL.tgz	M-AILABS 许可证（特定于数据的 BSD 3 条款许可证）

定制许可证

语料库	语言	# 小时	# 演讲者	下载	执照
流利的语音命令语料库	英语	19 小时（30,043 条言论）	97 位发言者	http:// Fluent.ai:2052/jf8398hf30f0381738rucj3828chfdnchs.tar.gz	Fluent Speech Commands 公共许可证
卡耐基梅隆大学荒野	700 朗	没有音频或文本的对齐分发总计：约 14,000 小时；每语言：~20 小时		https://github.com/festvox/datasets-CMU_Wilderness	https://live.bible.is/terms
CHiME-5	英语	50小时	48 位发言者	http://spandh.dcs.shef.ac.uk/chime_challenge/data.html	CHiME-5 许可证
无畏的脚步语料库	英语	19,000 小时（转录 20 小时）	约 450 位发言者	https://fearless-steps.github.io/ChallengePhase3/#19k_Corpus_Access	NASA 媒体使用指南
Microsoft 语音语料库（印度语言）	泰卢固语；泰米尔语；古吉拉特语			https://msropendata.com/datasets/7230b4b1-912d-400e-be58-f84e0512985e	Microsoft 语音语料库（印度语言）许可证
微软语音翻译语料库	英语;中国人;日本人			https://msropendata.com/datasets/54813518-4ea6-4c39-9bb2-b0d1e5f0c187	微软研究院数据许可协议
嘿剪语料库	英语	11K 条正面“Hey Snips”（约 4.4 小时）和 87K 条负面（约 89 小时）话语	2215 个扬声器（正负）和 4028 个扬声器（仅负）	https://research.snips.ai/datasets/keyword-spotting	剪断数据许可证
剪切 SLU 语料库	英语;法语	1660 条“智能灯 EN”（约 1.3 小时）、1286 条“智能扬声器 EN”（约 55 分钟）、1138 条“智能扬声器 FR”（约 50 分钟）话语	英语：69 人；法语：30 人	https://research.snips.ai/datasets/spoken-language-understanding	剪断数据许可证
CMU Sphinx 集团 - AN4	英语	“an4_clstk”（约 50 分钟） “an4test_clstk”（约 6 分钟）	“an4_clstk”：21 名女性，53 名男性 “an4test_clstk”：3 名女性，7 名男性	http://www.speech.cs.cmu.edu/databases/an4/an4_raw.bigendian.tar.gz	AN4
英国金融时报演讲	丹麦语	~1,857 小时（1,017,244 条话语）	434 名发言者（176 名女性，258 名男性）	https://ftspeech.dk	英国《金融时报》演讲许可证
法拉巴西-LAPS-宪法	巴西-葡萄牙语	9小时	1 个扬声器	https://drive.google.com/uc?export=download&confirm=SrvW&id=1Nf849u-27CYRzJqedLaI-FaZfMRO7FT	“音频转录基础和文本标准化基础（sem pontuação、com números escritos por extenso 等）disponibilizadas de forma gratuita* pelo Grupo FalaBrasil。[disponibilizadas de forma gratuita*] / Portanto、apenas as bases livres estão sendo disponibilizadas。”
Fala巴西-LaPSMail	巴西-葡萄牙语	1小时	25 位发言者	https://drive.google.com/uc?export=download&confirm=PecV&id=1B_Vq8MDSE4fBQefVxqCGSl-EcKAcjJLb	“音频转录基础和文本标准化基础（sem pontuação、com números escritos por extenso 等）disponibilizadas de forma gratuita* pelo Grupo FalaBrasil。[disponibilizadas de forma gratuita*] / Portanto、apenas as bases livres estão sendo disponibilizadas。”
FalaBrasil-LaPS 基准	巴西-葡萄牙语	1小时	1 个扬声器	https://drive.google.com/uc?export=download&confirm=XFfF&id=1nZ8L9nJTt4blFC0RGT9Y7XRu02aAvDIo	“音频转录基础和文本标准化基础（sem pontuação、com números escritos por extenso 等）disponibilizadas de forma gratuita* pelo Grupo FalaBrasil。[disponibilizadas de forma gratuita*] / Portanto、apenas as bases livres estão sendo disponibilizadas。”