俄文開啟語音轉換文字

衍伸自各種音訊來援的語音樣本集合。 此資料集包含簡短的俄文音訊剪輯。

注意

Microsoft 以「現狀」為基礎提供 Azure 開放資料集。 Microsoft 對於您使用資料集不提供任何擔保、明示或默示、保證或條件。 在貴使用者當地法律許可的範圍內,Microsoft 不會對任何損害或損失(包括直接、衍生、特殊、間接、偶發或懲罰性)承擔任何責任,因為您使用資料集。

此資料集是根據 Microsoft 接收來源資料的原始條款所提供。 資料集可能包含源自 Microsoft 的資料。

此俄文語音轉換文字 (STT) 資料集包括:

  • ~ 16000000 語句
  • ~ 20000 小時
  • 2.3 TB (在 int16) 中以 wav 格式解壓縮,在 opus 中356G
  • 所有檔案都已轉換成 opus,但驗證資料集除外

資料集的主要用途是訓練語音轉換文字模型。

資料集編譯

提供 .wav 檔案的資料集大小。

資料 話語 小時 GB 秒/字元 COMMENT 注釋 品質/雜訊
radio_v4 (*) 7,603,192 10,430 1,195 5 秒/68 個 選項 對齊 95%/簡潔
public_speech (*) 1,700,060 2,709 301 6 秒/79 個 公開演講 對齊 95%/簡潔
audiobook_2 1,149,404 1,511 162 5 秒/56 個 書籍 對齊 95%/簡潔
radio_2 651,645 1,439 154 8 秒/110 個 選項 對齊 95%/簡潔
public_youtube1120 1,410,979 1,104 237 3 秒/34 個 Youtube 翻譯字幕 95%/~ 清晰
public_youtube700 759,483 701 75 3 秒/43 個 Youtube 翻譯字幕 95%/~ 清晰
tts_russian_addresses 1,741,838 754 81 2 秒/20 個 位址 TTS 4 語音 100%/清晰
asr_public_phone_calls_2 603,797 601 66 4 秒/37 個 電話 ASR 70%/雜訊
public_youtube1120_hq 369,245 291 31 3 秒/37 個 YouTube HQ 翻譯字幕 95%/~ 清晰
asr_public_phone_calls_1 233,868 211 23 3 秒/29 個 電話 ASR 70%/雜訊
radio_v4_add (*) 92,679 157 18 6 秒/80 個 選項 對齊 95%/簡潔
asr_public_stories_2 78,186 78 9 4 秒/43 個 書籍 ASR 80%/簡潔
asr_public_stories_1 46,142 38 4 3 秒/30 個 書籍 ASR 80%/簡潔
public_series_1 20,243 17 2 3 秒/38 個 Youtube 翻譯字幕 95%/~ 清晰
asr_calls_2_val 12,950 7,7 2 2 秒/34 個 電話 手動標註 99%/簡潔
public_lecture_1 6,803 6 1 3 秒/47 個 授課 翻譯字幕 95%/簡潔
buriy_audiobooks_2_val 7,850 4.9 1 2 秒/31 個 書籍 手動標註 99%/簡潔
public_youtube700_val 7,311 4.5 1 2 秒/35 個 Youtube 手動標註 99%/簡潔

(*) txt 檔案只會提供資料樣本。

註釋方法

資料集使用開放原始碼編譯而成。 系統會使用語音活動偵測和比對,將較長的序列分割為音訊區塊。 某些音訊類型會使用啟發學習法來自動標注並經過統計。

資料磁片區和更新頻率

資料集的總大小為 350 GB。 具有公開共用標籤的資料集大小總計為 130 GB。

資料集本身不太可能為了回溯相容性而更新。 遵循原始存放庫以進行基準測試和排除檔案。

日後可能會新增網域和語言。

音訊正規化

所有檔案都經過正規化,可讓執行時間增強指定更簡單且更快速。 處理如下所示:

  • 視需要轉換成單聲道;
  • 如有必要,已轉換成 16 kHz 的取樣率;
  • 儲存為 16 位元整數;
  • 轉換為 OPUS;

磁碟上的 DB 方法

每個音訊檔案 (wav、二進位檔) 都會經雜湊處理。 雜湊用來建立資料夾階層,以取得更理想的 fs 作業。

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)

下載

提供的資料集有兩種形式:

資料夾結構:

└── 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
資料 GB、WAV GB,封存 封存 來源 清單
定型
廣播和公開演講樣本 - 11.4 opus+txt - manifest
audiobook_2 162 25.8 opus+txt 網際網路 + 比對 manifest
radio_2 154 24.6 opus+txt 選項 manifest
public_youtube1120 237 19.0 opus+txt YouTube 影片 manifest
asr_public_phone_calls_2 66 9.4 opus+txt 網際網路 + ASR manifest
public_youtube1120_hq 31 4.9 opus+txt YouTube 影片 manifest
asr_public_stories_2 9 1.4 opus+txt 網際網路 + 比對 manifest
tts_russian_addresses_rhvoice_4voices 80.9 12.9 opus+txt TTS manifest
public_youtube700 75.0 12.2 opus+txt YouTube 影片 manifest
asr_public_phone_calls_1 22.7 3.2 opus+txt 網際網路 + ASR manifest
asr_public_stories_1 4.1 0.7 opus+txt 公開劇本 manifest
public_series_1 1.9 0.3 opus+txt 公開系列 manifest
public_lecture_1 0.7 0.1 opus+txt 網際網路 + 手動 manifest
Val
asr_calls_2_val 2 0.8 wav+txt 網際網路 manifest
buriy_audiobooks_2_val 1 0.5 wav+txt 書籍 + 手動 manifest
public_youtube700_val 2 0.13 wav+txt YouTube 影片 + 手動 manifest

下載指示

直接下載

如需有關如何直接下載資料集的指示,請參閱GitHub 下載指示頁面

其他資訊

如需有關資料的說明或問題,請洽詢資料作者 (s) aveysov@gmail.com

此授權可讓使用者針對非商業性用途,散佈、remix、調整及建立任何中型或格式的材料,而且只要將屬性提供給建立者即可。 這包括下列元素:

  • 依–必須將點數提供給建立者
  • NC-僅允許非商業性的工作使用

CC-BY-NC,取得資料集作者同意之後可用於商業用途。

資料存取

Azure Notebooks

提示

改為下載筆記本

Helper 函數/相依性

建立 libsndfile

在 Python 中讀取 opus 檔案並不會產生顯著負荷的有效方法,是使用 pysoundfile (Python CFFI 包裝函式,圍繞 libsoundfile) 。

Opus 支援已執行上游,但尚未正確地發行。 因此,我們選擇自訂群組建 + 猴子修補。

一般來說,您需要使用 sudo 存取在 shell 中執行此動作:

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 .

Helper 函數/相依性

安裝下列程式庫:

pandas
numpy
scipy
tqdm
soundfile
librosa

資訊清單是具有下列資料行的 csv 檔案:

  • 音訊路徑
  • 文字檔的路徑
  • 持續時間

它們證明是存取資料最簡單的格式。

為了方便使用,所有的資訊清單都已經 rerooted。 這些路徑中的所有路徑都是相對的,您需要提供根資料夾。

# 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()

使用資料集來播放

播放檔案範例

大部分的平臺瀏覽器都支援原生音訊播放。 因此我們可以使用 HTML5 音訊播放機來查看我們的資料。

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)

讀取檔案

!ls ru_open_stt_opus/manifests/*.csv

一些範例顯示如何以最佳的方式讀取 wav 和 opus 檔案。

Scipy 是 wav 最快的。 Pysoundfile 是 opus 的最佳整體。

%matplotlib inline

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

讀取 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)

讀取 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)

下一步

開啟的資料集目錄中,查看資料集的其餘部分。