摘要

本文介绍了GigaSpeech，这是一个持续演进的多领域英文语音识别语料库，包含10,000小时高质量标注音频，适用于监督学习训练；总计40,000小时的音频数据则适用于半监督与无监督训练。约40,000小时的已转录音频最初来源于有声书、播客及YouTube视频，涵盖朗读与即兴表达两种口语风格，并覆盖艺术、科学、体育等多个主题。本文提出了一种新的强制对齐与语音切分流程，用于生成适用于语音识别训练的句子级音频片段，并过滤掉转录质量较低的片段。在系统训练方面，GigaSpeech提供了五个不同规模的训练子集：10小时、250小时、1000小时、2500小时和10,000小时。对于10,000小时的超大规模（XL）训练子集，在数据筛选与验证阶段将词错误率（Word Error Rate, WER）上限控制在4%以内；而对于其他较小规模的训练子集，则将WER上限严格控制在0%。此外，开发集（DEV）与测试集（TEST）经过专业人工转录人员的重新处理，以确保转录质量达到高水平。本文还为多种主流语音识别工具包（包括Athena、ESPnet、Kaldi和Pika）提供了基线系统。