WorldSpeech：来自世界各地的多语言语音语料库

自动语音识别 (ASR) 对于具有大量配对音频转录数据的高资源语言表现良好，但由于公开可用的对齐数据有限，其准确性对于大多数语言而言急剧下降。为此，我们推出了 WorldSpeech，这是一个 24 kHz 多语言语音语料库，包含 76 种语言的 65,000 小时对齐音频转录数据，这些数据是从议会程序、国际广播和公共领域有声读物等不同公共来源收集的。 WorldSpeech 为 37 种语言提供超过 200 小时的对齐语音，其中 28 种语言超过 500 小时，24 种语言超过 1000 小时。 微调 WorldSpeech 上现有的 ASR 模型使 11 种类型不同的语言的平均相对词错误率降低了 63.5%。