Russian Open Speech To Text (ロシア語の公開音声テキスト変換)

さまざまな音声ソースから派生した音声のサンプルのコレクションです。 データセットにはロシア語の短い音声クリップが含まれます。

Note

Microsoft は、Azure Open Datasets を "現状有姿" で提供します。 Microsoft は、データセットの使用に関して、明示または黙示を問わず、いかなる保証も行わないものとし、条件を定めることもありません。 現地の法律の下で認められている範囲内で、Microsoft は、データセットの使用に起因する、直接的、派生的、特別、間接的、偶発的、または懲罰的なものを含めたいかなる損害または損失に対しても一切の責任を負わないものとします。

このデータセットは、Microsoft がソース データを受け取った元の条件に基づいて提供されます。 データセットには、Microsoft が提供するデータが含まれている場合があります。

このロシア語の音声テキスト変換 (STT) データセットの内容は次のとおりです。

  • 約 1,600 万発話
  • 約 20,000 時間
  • 2.3 TB (int16、.wav 形式、非圧縮)、356 G (OPUS)
  • 検証データセットを除くすべてのファイルを OPUS に変換済み

データセットの主な目的は、音声テキスト変換モデルのトレーニングを行うことです。

データセットの構成

データセットのサイズは .wav ファイルのものです。

データセット 発話数 時間数 GB 秒数/文字数 COMMENT アノテーション 品質/ノイズ
radio_v4 (*) 7,603,192 10,430 1,195 5/68 ラジオ 整列 95%/明瞭
public_speech (*) 1,700,060 2,709 301 6/79 演説 整列 95%/明瞭
audiobook_2 1,149,404 1,511 162 5/56 ブック 整列 95%/明瞭
radio_2 651,645 1,439 154 8/110 ラジオ 整列 95%/明瞭
public_youtube1120 1,410,979 1,104 237 3/34 YouTube 字幕 95%/ほぼ明瞭
public_youtube700 759,483 701 75 3/43 YouTube 字幕 95%/ほぼ明瞭
tts_russian_addresses 1,741,838 754 81 2/20 アドレス TTS の 4 つの音声 100%/明瞭
asr_public_phone_calls_2 603,797 601 66 4/37 電話 ASR 70%/ノイズが多い
public_youtube1120_hq 369,245 291 31 3/37 YouTube HQ 字幕 95%/ほぼ明瞭
asr_public_phone_calls_1 233,868 211 23 3/29 電話 ASR 70%/ノイズが多い
radio_v4_add (*) 92,679 157 18 6/80 ラジオ 整列 95%/明瞭
asr_public_stories_2 78,186 78 9 4/43 ブック ASR 80%/明瞭
asr_public_stories_1 46,142 38 4 3/30 ブック ASR 80%/明瞭
public_series_1 20,243 17 2 3/38 YouTube 字幕 95%/ほぼ明瞭
asr_calls_2_val 12,950 7,7 2 2/34 電話 手動でのアノテーション 99%/明瞭
public_lecture_1 6,803 6 1 3/47 講演 字幕 95%/明瞭
buriy_audiobooks_2_val 7,850 4,9 1 2/31 ブック 手動でのアノテーション 99%/明瞭
public_youtube700_val 7,311 4,5 1 2/35 YouTube 手動でのアノテーション 99%/明瞭

(*) データのサンプルのみが txt ファイルと共に提供されています。

アノテーションの手法

データセットはオープンソースを使用してコンパイルされています。 長いシーケンスは音声アクティビティ検出とアラインメントと使用してオーディオ チャンクに分割されています。 一部のオーディオ タイプは、アノテーションが自動的に行われ、ヒューリスティックを使って統計的に検証されます。

データ量と更新頻度

データセットの合計サイズは 350 GB です。 公開共有ラベルを含むデータセットの合計サイズは 130 GB です。

データセット自体が下位互換性のために更新される可能性はほとんどありません。 ベンチマークと除外するファイルについては、元のリポジトリに従ってください。

将来的には新しいドメインと言語が追加される可能性があります。

オーディオの正規化

ランタイム拡張をより簡単かつ高速にするために、すべてのファイルが正規化されています。 処理は次のとおりです。

  • 必要な場合はモノラルに変換
  • 必要に応じて、16 kHz のサンプリング レートに変換
  • 16 ビット整数として保存
  • OPUS に変換

オン ディスク DB の手法

各オーディオ ファイル (wav、バイナリ) はハッシュ化されています。 ハッシュは、より最適な FS 操作のためのフォルダー階層を作成するために使用されます。

target_format = 'wav'
wavb = wav.tobytes()

f_hash = hashlib.sha1(wavb).hexdigest()

store_path = Path(root_folder,
                  f_hash[0],
                  f_hash[1:3],
                  f_hash[3:15] + '.' + target_format)

ダウンロード

データセットは、次の 2 つの形式で提供されます。

  • Azure Blob Storage や直接リンクを介して利用できるアーカイブ。
  • Azure Blob Storage を介して利用できる元のファイル。すべてのものが 'https://azureopendatastorage.blob.core.windows.net/openstt/ ' に保存されています

フォルダー構造:

└── ru_open_stt_opus                                            <= archived folders
│   │
│   ├── archives
│   │    ├── asr_calls_2_val.tar.gz                             <= tar.gz archives with opus and wav files
│   │    │   ...                                                <= see the below table for enumeration
│   │    └── tts_russian_addresses_rhvoice_4voices.tar.gz
│   │
│   └── manifests
│        ├── asr_calls_2_val.csv                                <= csv files with wav_path, text_path, duration (see notebooks)
│        │   ...
│        └── tts_russian_addresses_rhvoice_4voices.csv
│
└── ru_open_stt_opus_unpacked                                   <= a separate folder for each uploaded domain
    ├── public_youtube1120
    │    ├── 0                                                  <= see "On disk DB methodology" for details
    │    ├── 1
    │    │   ├── 00
    │    │   │  ...
    │    │   └── ff
    │    │        ├── *.opus                                   <= actual files
    │    │        └── *.txt
    │    │   ...
    │    └── f
    │
    ├── public_youtube1120_hq
    ├── public_youtube700_val
    ├── asr_calls_2_val
    ├── radio_2
    ├── private_buriy_audiobooks_2
    ├── asr_public_phone_calls_2
    ├── asr_public_stories_2
    ├── asr_public_stories_1
    ├── public_lecture_1
    ├── asr_public_phone_calls_1
    ├── public_series_1
    └── public_youtube700
データセット GB、wav GB、アーカイブ アーカイブ 接続元 マニフェスト
トレーニング
ラジオと演説のサンプル - 11.4 OPUS + txt - manifest
audiobook_2 162 25.8 OPUS + txt インターネット + アライメント manifest
radio_2 154 24.6 OPUS + txt ラジオ manifest
public_youtube1120 237 19.0 OPUS + txt YouTube 動画 manifest
asr_public_phone_calls_2 66 9.4 OPUS + txt インターネット + ASR manifest
public_youtube1120_hq 31 4.9 OPUS + txt YouTube 動画 manifest
asr_public_stories_2 9 1.4 OPUS + txt インターネット + アライメント manifest
tts_russian_addresses_rhvoice_4voices 80.9 12.9 OPUS + txt TTS manifest
public_youtube700 75.0 12.2 OPUS + txt YouTube 動画 manifest
asr_public_phone_calls_1 22.7 3.2 OPUS + txt インターネット + ASR manifest
asr_public_stories_1 4.1 0.7 OPUS + txt 公開されている物語 manifest
public_series_1 1.9 0.3 OPUS + txt 公開されているシリーズ manifest
public_lecture_1 0.7 0.1 OPUS + txt インターネット + 手動 manifest
Val
asr_calls_2_val 2 0.8 wav + txt インターネット manifest
buriy_audiobooks_2_val 1 0.5 wav + txt 書籍 + 手動 manifest
public_youtube700_val 2 0.13 wav + txt YouTube のビデオ + 手動 manifest

ダウンロードの手順

直接ダウンロード

データセットを直接ダウンロードする方法については、GitHub のダウンロード手順に関するページを参照してください。

追加情報

データに関するヘルプや質問については、データ作成者にお問い合わせください (aveysov@gmail.com)。

このライセンスでは、ユーザーは、作成者への帰属を示している限り、非営利目的でのみ、あらゆるメディアや形式で素材を配布、リミックス、改変、作成することができます。 次の要素が含まれます。

  • BY - 作成者のクレジットを表示する必要があります
  • NC - 非営利目的でのみ作品の使用が許可されます

CC-BY-NC および営利目的での使用にはデータセット作成者との合意が必要です。

データ アクセス

Azure Notebooks

ヘルパー関数および依存関係

libsndfile のビルド

Python で、大きなオーバーヘッドを発生させずに OPUS ファイルを効率的に読み取るには、pysoundfile (libsoundfile の Python CFFI ラッパー) を使用します。

OPUS のサポートはアップストリームで実装されていますが、適切にリリースされていません。 そのため、カスタム ビルドとモンキー パッチの組み合わせを選択しました。

通常、sudo アクセスを使用してシェルでこれを実行する必要があります。

apt-get update
apt-get install cmake autoconf autogen automake build-essential libasound2-dev \
libflac-dev libogg-dev libtool libvorbis-dev libopus-dev pkg-config -y

cd /usr/local/lib
git clone https://github.com/erikd/libsndfile.git
cd libsndfile
git reset --hard 49b7d61
mkdir -p build && cd build

cmake .. -DBUILD_SHARED_LIBS=ON
make && make install
cmake --build .

ヘルパー関数および依存関係

次のライブラリをインストールします。

pandas
numpy
scipy
tqdm
soundfile
librosa

マニフェストは、次の列が含まれた csv ファイルです。

  • オーディオへのパス
  • テキスト ファイルへのパス
  • Duration

これらは、データにアクセスする最もシンプルな形式であることが実証されています。

使いやすくするために、すべてのマニフェストが既に再ルート化されています。 マニフェスト内のパスはすべて相対パスであるため、ルート フォルダーを指定する必要があります。

# manifest utils
import os
import numpy as np
import pandas as pd
from tqdm import tqdm
from urllib.request import urlopen


def reroot_manifest(manifest_df,
                    source_path,
                    target_path):
    if source_path != '':
        manifest_df.wav_path = manifest_df.wav_path.apply(lambda x: x.replace(source_path,
                                                                              target_path))
        manifest_df.text_path = manifest_df.text_path.apply(lambda x: x.replace(source_path,
                                                                                target_path))
    else:
        manifest_df.wav_path = manifest_df.wav_path.apply(lambda x: os.path.join(target_path, x))
        manifest_df.text_path = manifest_df.text_path.apply(lambda x: os.path.join(target_path, x))    
    return manifest_df


def save_manifest(manifest_df,
                  path,
                  domain=False):
    if domain:
        assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration', 'domain']
    else:
        assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration']

    manifest_df.reset_index(drop=True).sort_values(by='duration',
                                                   ascending=True).to_csv(path,
                                                                          sep=',',
                                                                          header=False,
                                                                          index=False)
    return True


def read_manifest(manifest_path,
                  domain=False):
    if domain:
        return pd.read_csv(manifest_path,
                        names=['wav_path',
                               'text_path',
                               'duration',
                               'domain'])
    else:
        return pd.read_csv(manifest_path,
                        names=['wav_path',
                               'text_path',
                               'duration'])


def check_files(manifest_df,
                domain=False):
    orig_len = len(manifest_df)
    if domain:
        assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration']
    else:
        assert list(manifest_df.columns) == ['wav_path', 'text_path', 'duration', 'domain']
    wav_paths = list(manifest_df.wav_path.values)
    text_path = list(manifest_df.text_path.values)

    omitted_wavs = []
    omitted_txts = []

    for wav_path, text_path in zip(wav_paths, text_path):
        if not os.path.exists(wav_path):
            print('Dropping {}'.format(wav_path))
            omitted_wavs.append(wav_path)
        if not os.path.exists(text_path):
            print('Dropping {}'.format(text_path))
            omitted_txts.append(text_path)

    manifest_df = manifest_df[~manifest_df.wav_path.isin(omitted_wavs)]
    manifest_df = manifest_df[~manifest_df.text_path.isin(omitted_txts)]
    final_len = len(manifest_df)

    if final_len != orig_len:
        print('Removed {} lines'.format(orig_len-final_len))
    return manifest_df


def plain_merge_manifests(manifest_paths,
                          MIN_DURATION=0.1,
                          MAX_DURATION=100):

    manifest_df = pd.concat([read_manifest(_)
                             for _ in manifest_paths])
    manifest_df = check_files(manifest_df)

    manifest_df_fit = manifest_df[(manifest_df.duration>=MIN_DURATION) &
                                  (manifest_df.duration<=MAX_DURATION)]

    manifest_df_non_fit = manifest_df[(manifest_df.duration<MIN_DURATION) |
                                      (manifest_df.duration>MAX_DURATION)]

    print(f'Good hours: {manifest_df_fit.duration.sum() / 3600:.2f}')
    print(f'Bad hours: {manifest_df_non_fit.duration.sum() / 3600:.2f}')

    return manifest_df_fit


def save_txt_file(wav_path, text):
    txt_path = wav_path.replace('.wav','.txt')
    with open(txt_path, "w") as text_file:
        print(text, file=text_file)
    return txt_path


def read_txt_file(text_path):
    #with open(text_path, 'r') as file:
    response = urlopen(text_path)
    file = response.readlines()
    for i in range(len(file)):
        file[i] = file[i].decode('utf8')
    return file 

def create_manifest_from_df(df, domain=False):
    if domain:
        columns = ['wav_path', 'text_path', 'duration', 'domain']
    else:
        columns = ['wav_path', 'text_path', 'duration']
    manifest = df[columns]
    return manifest


def create_txt_files(manifest_df):
    assert 'text' in manifest_df.columns
    assert 'wav_path' in manifest_df.columns
    wav_paths, texts = list(manifest_df['wav_path'].values), list(manifest_df['text'].values)
    # not using multiprocessing for simplicity
    txt_paths = [save_txt_file(*_) for _ in tqdm(zip(wav_paths, texts), total=len(wav_paths))]
    manifest_df['text_path'] = txt_paths
    return manifest_df


def replace_encoded(text):
    text = text.lower()
    if '2' in text:
        text = list(text)
        _text = []
        for i,char in enumerate(text):
            if char=='2':
                try:
                    _text.extend([_text[-1]])
                except:
                    print(''.join(text))
            else:
                _text.extend([char])
        text = ''.join(_text)
    return text
# reading opus files
import os
import soundfile as sf



# Fx for soundfile read/write functions
def fx_seek(self, frames, whence=os.SEEK_SET):
    self._check_if_closed()
    position = sf._snd.sf_seek(self._file, frames, whence)
    return position


def fx_get_format_from_filename(file, mode):
    format = ''
    file = getattr(file, 'name', file)
    try:
        format = os.path.splitext(file)[-1][1:]
        format = format.decode('utf-8', 'replace')
    except Exception:
        pass
    if format == 'opus':
        return 'OGG'
    if format.upper() not in sf._formats and 'r' not in mode:
        raise TypeError("No format specified and unable to get format from "
                        "file extension: {0!r}".format(file))
    return format


#sf._snd = sf._ffi.dlopen('/usr/local/lib/libsndfile/build/libsndfile.so.1.0.29')
sf._subtypes['OPUS'] = 0x0064
sf.SoundFile.seek = fx_seek
sf._get_format_from_filename = fx_get_format_from_filename


def read(file, **kwargs):
    return sf.read(file, **kwargs)


def write(file, data, samplerate, **kwargs):
    return sf.write(file, data, samplerate, **kwargs)
# display utils
import gc
from IPython.display import HTML, Audio, display_html
pd.set_option('display.max_colwidth', 3000)
#Prepend_path is set to read directly from Azure. To read from local replace below string with path to the downloaded dataset files
prepend_path = 'https://azureopendatastorage.blob.core.windows.net/openstt/ru_open_stt_opus_unpacked/'


def audio_player(audio_path):
    return '<audio preload="none" controls="controls"><source src="{}" type="audio/wav"></audio>'.format(audio_path)

def display_manifest(manifest_df):
    display_df = manifest_df
    display_df['wav'] = [audio_player(prepend_path+path) for path in display_df.wav_path]
    display_df['txt'] = [read_txt_file(prepend_path+path) for path in tqdm(display_df.text_path)]
    audio_style = '<style>audio {height:44px;border:0;padding:0 20px 0px;margin:-10px -20px -20px;}</style>'
    display_df = display_df[['wav','txt', 'duration']]
    display(HTML(audio_style + display_df.to_html(escape=False)))
    del display_df
    gc.collect()

データセットを使用して再生する

ファイルのサンプルを再生する

ほとんどのプラットフォーム ブラウザーでは、ネイティブ オーディオ再生がサポートされています。 そのため、HTML5 オーディオ プレーヤーを使用してデータを表示できます。

manifest_df = read_manifest(prepend_path +'/manifests/public_series_1.csv')
#manifest_df = reroot_manifest(manifest_df,
                              #source_path='',
                              #target_path='../../../../../nvme/stt/data/ru_open_stt/')

sample = manifest_df.sample(n=20)
display_manifest(sample)

ファイルを読み取る

!ls ru_open_stt_opus/manifests/*.csv

wav ファイルおよび OPUS ファイルを最適に読み取る方法を示す例をいくつか紹介します。

wav の場合、scipy が最も高速です。 OPUS には、pysoundfile が全体的に最も適しています。

%matplotlib inline

import librosa
from scipy.io import wavfile
from librosa import display as ldisplay
from matplotlib import pyplot as plt

wav を読み取る

manifest_df = read_manifest(prepend_path +'manifests/asr_calls_2_val.csv')
#manifest_df = reroot_manifest(manifest_df,
                              #source_path='',
                              #target_path='../../../../../nvme/stt/data/ru_open_stt/')
sample = manifest_df.sample(n=5)
display_manifest(sample)
from io import BytesIO

wav_path = sample.iloc[0].wav_path
response = urlopen(prepend_path+wav_path)
data = response.read()
sr, wav = wavfile.read(BytesIO(data))
wav.astype('float32')
absmax = np.max(np.abs(wav))
wav =  wav / absmax
# shortest way to plot a spectrogram
D = librosa.amplitude_to_db(np.abs(librosa.stft(wav)), ref=np.max)
plt.figure(figsize=(12, 6))
ldisplay.specshow(D, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('Log-frequency power spectrogram')
# shortest way to plot an envelope
plt.figure(figsize=(12, 6))
ldisplay.waveplot(wav, sr=sr, max_points=50000.0, x_axis='time', offset=0.0, max_sr=1000, ax=None)

OPUS を読み取る

manifest_df = read_manifest(prepend_path +'manifests/asr_public_phone_calls_2.csv')
#manifest_df = reroot_manifest(manifest_df,
                              #source_path='',
                              #target_path='../../../../../nvme/stt/data/ru_open_stt/')
sample = manifest_df.sample(n=5)
display_manifest(sample)
opus_path = sample.iloc[0].wav_path
response = urlopen(prepend_path+opus_path)
data = response.read()
wav, sr = sf.read(BytesIO(data))
wav.astype('float32')
absmax = np.max(np.abs(wav))
wav =  wav / absmax
# shortest way to plot a spectrogram
D = librosa.amplitude_to_db(np.abs(librosa.stft(wav)), ref=np.max)
plt.figure(figsize=(12, 6))
ldisplay.specshow(D, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('Log-frequency power spectrogram')
# shortest way to plot an envelope
plt.figure(figsize=(12, 6))
ldisplay.waveplot(wav, sr=sr, max_points=50000.0, x_axis='time', offset=0.0, max_sr=1000, ax=None)

次のステップ

Open Datasets カタログの残りのデータセットを表示します。