推荐的数据集

1. 数据集

中文全部开源语音数据集收录合集：几个最新免费开源的中文语音数据集
包含了数据集规格说明介绍，以及下载地址

ASRT语音识别系统默认使用下列全部数据集。

1.1 清华大学THCHS30中文语音数据集

• data_thchs30.tgz
  OpenSLR国内镜像 | OpenSLR国外镜像 | 百度网盘 (提取码：5szx)

• test-noise.tgz
  OpenSLR国内镜像 | OpenSLR国外镜像

• resource.tgz
  OpenSLR国内镜像 | OpenSLR国外镜像

1.2 Free ST Chinese Mandarin Corpus

• ST-CMDS-20170001_1-OS.tar.gz
  OpenSLR国内镜像 | OpenSLR国外镜像 | 百度网盘 (提取码：wlcy)

1.3 AIShell 开源版数据集

• data_aishell.tgz
  OpenSLR国内镜像 | OpenSLR国外镜像 | 百度网盘 (提取码：q05t)

  注：数据集解压方法

  $ tar xzf data_aishell.tgz
  $ cd data_aishell/wav
  $ for tar in *.tar.gz;  do tar xvf $tar; done

1.4 Primewords Chinese Corpus Set 1

• primewords_md_2018_set1.tar.gz
  OpenSLR国内镜像 | OpenSLR国外镜像 | 百度网盘 (提取码：2ng3)

1.5 MagicData

百度网盘 (提取码：s61o)

• train_set.tar.gz
  OpenSLR国内镜像 | OpenSLR国外镜像

• dev_set.tar.gz
  OpenSLR国内镜像 | OpenSLR国外镜像

• test_set.tar.gz
  OpenSLR国内镜像 | OpenSLR国外镜像

• metadata.tar.gz
  OpenSLR国内镜像 | OpenSLR国外镜像

1.6 其他数据集

其他公开开源数据集还有诸如 Speechocean 、 AISHELL-4 、 Mozilla Common Voice 、 TAL_ASR 、 WeNetSpeech 等，ASRT暂未使用，也没有对应的datalist文件，欢迎大家志愿参与贡献开源。

特别鸣谢！感谢前辈们的公开语音数据集

如果提供的数据集链接无法打开和下载，请点击该链接 OpenSLR

2. 说明

注：通过运行下载datalist的脚本后，在datalist/目录下的文件为AI柠檬整理好的数据集的列表和标签，对应的数据集仍需另外下载。如果由于源数据集更新导致datalist里面的列表文件不适用，可酌情移除该数据集的使用，在AI柠檬有空能够重新处理完之前，请先自行处理，也可以发布出来贡献开源，为社区贡献一份力。

关于数据集文件的路径树，可以直接参考datalist目录下的.lst和.txt文件中的内容进行排放

下载后的文件解压，目录对应如下：

/data/speech_data/data_thchs30/train/*.wav
/data/speech_data/data_thchs30/dev/*.wav
/data/speech_data/data_thchs30/test/*.wav
/data/speech_data/ST-CMDS-20170001_1-OS/*.wav