语音识别(ASR)论文优选：全球最大的中英混合开源数据TALCS: An Open-Source Mandarin-English Code-Switching Corpus and a Speech

声明：平时看些文章做些笔记分享出来，文章中难免存在错误的地方，还望大家海涵。搜集一些资料，方便查阅学习：http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。如有转载，请注明出处。欢迎关注微信公众号：低调奋进。

TALCS: An Open-Source Mandarin-English Code-Switching Corpus and a Speech Recognition Baseline

本文是好未来在2022.06.27更新的文章，主要开源最大的中英混合训练语料，为语音识别的Code-switching方向研究做贡献。

---

（开源数据统计可参见http://yqli.tech/page/data.html）

由于本文主要工作是开源全球最大的中英混合数据，我们就不再介绍背景，直接查看数据集的情况​。该数据集为好未来英语课授课音频，包含中英文混合讲话的情况，每条音频只有一位说话人，该数据集有100多说话人。（文件63.36G）该数据包含了如图1所示的句内和句间混合的样例。该数据中的中文汉字和英文单词之间的比例为13:1，其中top 20如图​2所示。table 1展示了语库的训练集合测试集的划分情况，table 2展示使用该数据集在espnet和wenet上的实验结果。

数据规模	587小时音频
采样率	16KHz
采样位声	16bit
录制设备	普通麦克风
说话人	200+
录制时间	2019年
数据格式	音频：.wav；标注结果：.txt
音频长度	1～60s
数据类型	英语课教师授课音频

​