コーパス: Libri-light

Libri-light は LibriVox から生成されたコーパス¹. なので LibriSpeech の親戚².

• Unlabelled Speech Training Set
  • unlab-60k
  • unlab-6k
  • unlab-600
• Dev and Test Set (totally same as LibriSpeech³)
  • dev-clean: 5.4 hours
  • dev-other: 5.3 hours
  • test-clean: 5.4 hours
  • test-other: 5.1 hours

Trainにはdev/testの話者が含まれないよう除外済み⁴.

相当にデカいコーパスで、データは比較的綺麗だけど無音区間とかは普通に残ってる.

Riviere-2020-Toward 論文でノイズとASRの関係が探られていて、その際にコーパスのクリーニングが行われている.
unlab-60k から選別かけて6kと600を作り直しており、LL6k-e-loCTC / LL600-e-loCTC と名付けられている (unlab-60k は実質的な発声長さが4.7kくらいぽい).

---

1. “This dataset was obtained by extracting audio files for English speech from the LibriVox repository”↩

2. “LibriSpeech is … derived from read audiobooks from the LibriVox project”↩

3. “The dev and test sets are the same as that of LibriSpeech”↩

4. “We then removed … speakers appearing in LibriSpeech dev and test sets.”↩