Открытая речь в текст на русском языке

Коллекция образцов речи из различных аудиоисточников. Набор данных содержит короткие аудиоклипы на русском языке.

Примечание

Корпорация Майкрософт предоставляет Открытые наборы данных Azure как есть. Корпорация Майкрософт не предоставляет никаких гарантий (явных или подразумеваемых) и не определяет никаких условий в связи с использованием этих наборов данных. В рамках, допускаемых местным законодательством, корпорация Майкрософт отказывается от ответственности за ущерб и убытки (в том числе прямые, косвенные, специальные, опосредованные, случайные и штрафные), понесенные в результате использования вами этих наборов данных.

Этот набор данных предоставляется на тех же условиях, на которых корпорация Майкрософт получила исходные данные. Этот набор может включать данные, полученные от корпорации Майкрософт.

Этот набор данных русской речи в текст (STT) включает:

  • ~ 16 миллионов высказываний
  • ~ 20 000 часов
  • 2,3 ТБ (без сжатия в формате .wav в int16), 356 ГБ в opus
  • Все файлы преобразованы в opus, за исключением проверочных наборов данных

основное назначение набора данных — обучение моделей преобразования речи в текст.

Состав набора данных

Размер набора данных указан для файлов .wav.

НАБОР ДАННЫХ РЕЧЕВЫЕ ФРАГМЕНТЫ ЧАСЫ ГБ СЕКУНД/СИМВОЛОВ COMMENT ПРИМЕЧАНИЕ КАЧЕСТВО/ШУМ
radio_v4 (*) 7 603 192 10 430 1,195 5 с / 68 Переключатель Выровнять 95% / четко
public_speech (*) 1 700 060 2,709 301 6 с / 79 Публичные выступления Выровнять 95% / четко
audiobook_2 1 149 404 1,511 162 5 с / 56 Книги Выровнять 95% / четко
radio_2 651 645 1,439 154 8 с / 110 Переключатель Выровнять 95% / четко
public_youtube1120 1 410 979 1104 237 3 с / 34 YouTube Субтитры 95% / ~четко
public_youtube700 759 483 701 75 3 с / 43 YouTube Субтитры 95% / ~четко
tts_russian_addresses 1 741 838 754 81 2 с / 20 Адреса 4 голоса для преобразования текста в речь 100 % / четкое
asr_public_phone_calls_2 603 797 601 66 4 с / 37 Телефонные звонки ASR 70% / noisy
public_youtube1120_hq 369 245 291 31 3 с / 37 Главный офис YouTube Субтитры 95% / ~четко
asr_public_phone_calls_1 233 868 211 23 3 с / 29 Телефонные звонки ASR 70% / noisy
radio_v4_add (*) 92 679 157 18 6 с / 80 Переключатель Выровнять 95% / четко
asr_public_stories_2 78 186 78 9 4 с / 43 Книги ASR 80% / crisp
asr_public_stories_1 46 142 38 4 3 с / 30 Книги ASR 80% / crisp
public_series_1 20 243 17 2 3 с / 38 YouTube Субтитры 95% / ~четко
asr_calls_2_val 12 950 7,7 2 2 с / 34 Телефонные звонки Заметки вручную 99% / четко
public_lecture_1 6 803 6 1 3 с / 47 Лекции Субтитры 95% / четко
buriy_audiobooks_2_val 7 850 4,9 1 2 с / 31 Книги Заметки вручную 99% / четко
public_youtube700_val 7 311 4,5 1 2 с / 35 YouTube Заметки вручную 99% / четко

(*) Для TXT-файлов предоставляется только пример данных.

Методология создания заметок

Набор данных собран из открытых источников. Все длинные аудиофрагменты разбиваются на блоки с учетом интенсивности голоса и выравнивания. Некоторые типы аудио аннотируются автоматически и проверяются статистически с помощью эвристики.

Объемы данных и частота обновления

Общий размер набора данных составляет 350 ГБ. Общий размер набора данных с общедоступными метками составляет 130 ГБ.

Сам набор данных вряд ли будет обновлен для обеспечения обратной совместимости. Следуйте исходному репозиторию для тестов и исключите файлы.

В будущем будут добавляться новые предметные области и языки.

Нормализация звука

Все файлы нормализованы для упрощения и ускорения дополнений во время выполнения. Процесс обработки происходит следующим образом:

  • Преобразование в моно при необходимости.
  • При необходимости конвертируется в частоту дискретизации 16 кГц;
  • Сохранение в формате 16-разрядных целых чисел.
  • Преобразование в формат OPUS.

Применяется метод базы данных на диске.

Каждый аудиофайл (WAV и двоичные файлы) хэширован. Хеш используется для создания иерархии папок для более оптимальной работы fs.

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)

Файлы для загрузки

Набор данных предоставляется в двух формах:

  • Архивы доступны через хранилище BLOB-объектов Azure и/или по прямым ссылкам;
  • Исходные файлы доступны в Хранилище BLOB-объектов Azure; все хранится здесь: https://azureopendatastorage.blob.core.windows.net/openstt/

Структура папок

└── 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
НАБОР ДАННЫХ ГБ, WAV GB, АРХИВ АРХИВ ИСТОЧНИК МАНИФЕСТ
Обучение
Примеры радиотрансляций и публичных выступлений - 11,4 opus+txt - manifest
audiobook_2 162 25,8 opus+txt Интернет + выравнивание manifest
radio_2 154 24,6 opus+txt Переключатель manifest
public_youtube1120 237 19,0 opus+txt видео YouTube; manifest
asr_public_phone_calls_2 66 9,4 opus+txt Интернет + ASR manifest
public_youtube1120_hq 31 4.9 opus+txt видео YouTube; manifest
asr_public_stories_2 9 1.4 opus+txt Интернет + выравнивание manifest
tts_russian_addresses_rhvoice_4voices 80,9 12,9 opus+txt TTS manifest
public_youtube700 75,0 12,2 opus+txt видео YouTube; manifest
asr_public_phone_calls_1 22,7 3.2 opus+txt Интернет + ASR manifest
asr_public_stories_1 4.1 0,7 opus+txt Общедоступные истории manifest
public_series_1 1,9 0,3 opus+txt Общедоступные серии manifest
public_lecture_1 0,7 0,1 opus+txt Интернет + руководства manifest
Val
asr_calls_2_val 2 0,8 wav+txt Internet manifest
buriy_audiobooks_2_val 1 0,5 wav+txt Книги + руководства manifest
public_youtube700_val 2 0.13 wav+txt Видео на YouTube + руководство manifest

Инструкции по загрузке

Прямая загрузка

Инструкции по загрузке набора данных напрямую см. на странице инструкций по загрузке GitHub.

Дополнительные сведения

Для получения помощи или вопросов о данных свяжитесь с авторами данных по адресу aveysov@gmail.com

Эта лицензия позволяет пользователям распространять, ремикшировать, адаптировать и использовать материал на любом носителе или в любом формате только в некоммерческих целях и только при условии указания авторства. Она включает следующие элементы:

  • BY — обязательно указание авторства
  • NC — разрешено только некоммерческое использование

CC-BY-NC и коммерческое использование допускаются по согласованию с авторами набора данных.

Доступ к данным

Записные книжки Azure

Вспомогательные функции/зависимости

Сборка libsndfile

Эффективный способ чтения файлов opus в Python, который не требует значительных накладных расходов, - это использовать pysoundfile (оболочка Python CFFI вокруг libsoundfile).

Поддержка Opus была реализована в апстриме, но не была выпущена должным образом. Поэтому мы выбрали кастомную сборку + партизанское латание.

Как правило, вам нужно запустить это в своей оболочке с доступом sudo:

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 .

Вспомогательные функции/зависимости

Установите следующие библиотеки:

pandas
numpy
scipy
tqdm
soundfile
librosa

Манифесты представляют собой файлы csv со следующими столбцами:

  • Путь к аудио
  • Путь к текстовому файлу
  • Duration

Они оказались самым простым форматом доступа к данным.

Для удобства использования все манифесты были заведомо перенастроены. Все пути в них относительные, вам необходимо указать корневую папку.

# 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()

Воспроизведение с помощью набора данных

Воспроизведение образца файлов

Браузеры большинства платформ поддерживают собственное воспроизведение звука. Таким образом, мы можем использовать аудиоплееры HTML5 для просмотра ваших данных.

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)

Чтение файла

!ls ru_open_stt_opus/manifests/*.csv

Некоторые примеры, показывающие, как лучше всего читать файлы wav и opus.

Scipy является наиболее быстрым вариантом для wav. Pysoundfile - лучший вариант для opus.

%matplotlib inline

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

Чтение wav

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)

Чтение opus

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)

Дальнейшие действия

Ознакомьтесь с другими наборами в каталоге Открытых наборов данных.