CommonVoice是Mozilla的开源项目，基于MPL协议发行，到目前为止已经诞生了几年时间，它允许志愿者们为语音识别软件的数据库做出贡献，而这个数据库属于公共领域，所有人都可以将这些数据用于语音合成和识别软件。新的数据集大约每6个月发布一次。
所有的语音贡献都作为数据集的一部分发布，而不考虑验证状态。只在用户有要求的情况下才会从数据集中删除片段。这些片段被捆绑起来，并使用CommonVoiceBundler工具上传到S3。
每个下载的.tar.gz文件将有以下结构，其中[lang]代表该语言的ISO639-1代码。
[lang].tar.gz/├──clips/│├──*.mp3files|__dev.tsv|__invalidated.tsv|__other.tsv|__test.tsv|__train.tsv|__validated.tsv|__reported.tsv(asofCorpus5.0)字段tsv文件的每一行代表一个音频片段，并包含以下信息：
client_id-特定用户的哈希UUIDpath-音频文件的相对路径文本-音频的假定转录up_votes-音频与文本相符的人的数量down_votes-音频与文本不匹配的人的数量age--说话人的年龄gender-说话人的性别accent-说话人的口音segment-如果句子属于自定义数据集的片段，它将被列在这里
评论