摘要

我们推出了VoxPopuli，这是一个大规模多语言语料库，包含23种语言共计10万小时的未标注语音数据。该语料库是迄今为止规模最大、可用于无监督表征学习及半监督学习的开源数据集。此外，VoxPopuli还包含16种语言的1.8千小时语音转写数据，以及这些语音内容在另外5种语言中的对齐口译文本，总时长达5.1千小时。我们提供了语音识别基线模型，并在具有挑战性的域外（out-of-domain）设置下验证了VoxPopuli未标注数据在半监督学习中的通用性与有效性。该语料库将通过GitHub开源发布，地址为：https://github.com/facebookresearch/voxpopuli，采用开放许可协议。