VoxCeleb1 数据集下载

前言

VoxCeleb1 是广泛使用的 说话人识别、验证 数据集。由于是从 YouTube 视频中提取，有比较丰富的噪声。（有空补介绍）

如果可以使用谷歌表单和翻译软件应该就可以顺利下载，私下分发数据集有侵权风险。

正文

官网如下：

VoxCelebhttps://www.robots.ox.ac.uk/~vgg/data/voxceleb/

但是很神奇的是现在（2022-7-12），这个网站所有的下载链接被取消了。

VoxCelebhttps://www.robots.ox.ac.uk/~vgg/data/voxceleb/vox1.html

可以看到，只能下载到 Metadata，音频文件暂时不可用。

搜了好久后发现在下面的链接可以下载，一开始担心不是官网，后面发现这是一个韩国的实验室，承接了第四次的 VoxCeleb Speaker Recognition Challenge (VoxSRC) 

VoxCelebhttps://mm.kaist.ac.kr/datasets/voxceleb/下载前需要填个 Google Form，填入单位姓名等。由于是自动流程，所以填完不久就可以检查邮箱收件箱了，会看到一个邮件给出了 用户名和口令。

https://docs.google.com/forms/d/e/1FAIpQLSdQhpq2Be2CktaPhuadUMU7ZDJoQuRlFlzNO45xO-drWQ0AXA/viewform?fbzx=7440236747203254000

这里有说明，给出的身份只能使用 1 个月。

获得用户名和口令之后就好办了，使用 Windows 和浏览器的可以直接在下面的链接找到对应的数据集下载，因为过大所以官方做了分片，具体的操作官网有详细说明，下载的时候点击链接，会弹出需要填入用户名和口令，输入即可开始下载。VoxCelebhttps://mm.kaist.ac.kr/datasets/voxceleb/

额外补充一下，Linux 环境的下载命令。

wget http://cnode01.mm.kaist.ac.kr/voxceleb/vox1a/vox1_test_wav.zip  --http-user=username--http-passwd=password

将 链接 `http://cnode01.mm.kaist.ac.kr/voxceleb/vox1a/vox1_test_wavip` 切换为你需要下载的文件，然后 username 和 password 做替换即可。

官网给出了 md5，可以顺手校验一下。

 md5sum vox1_dev_wav.zip

然后是解压，用 unzip 命令。

unzip -d vox1_dev_wav vox1_dev_wav.zip

然后就大工搞成了，数据集的使用可以参照 GitHub 找 voxceleb trainer，此外用 Pytorch 的用户可以参照  torchaudio.datasets.voxceleb1 — Torchaudio nightly documentation。这个 API 比较新，比较古早的版本可能没有。

补充

对于将要使用这个数据集 Train 模型的同学补充说明一下，Identification 任务的训练也是要下载 Test 数据的。

直接用 https://mm.kaist.ac.kr/datasets/voxceleb/meta/iden_split.txt 这个文件读取数据集，会报错，id10270-id10309 的数据是缺失的，但是 iden_split 这个文件却标注了一些 id 在这个范围的说话人的数据为 Training，我本以为只用 Training Data （因为不是做 ASV）所以没有下载 Test……结果就报错了，找不到音频文件。