该数据集的录音内容，由6408名来自中国不同地区的录音人参与录制，有超过30万条口语化句子。句准确率达98%以上。

从评测效果来看，通过运行GMM-HMM混合模型和DNN-HMM混合模型，基于数据堂开源数据集【1505小时中文普通话语音数据集】的语音识别基准实验完成，其识别准确率如下所示：

aidatatang_1505zh（完整的1505小时中文普通话语音数据集）

Aidatatang_200zh（基于完整数据集精选的200小时中文普通话语音数据集）

注：

CER（Character Error Rate）指字识别错误率。

SER（Sentence Error Rate）指句识别错误率。

GMM-HMM指混合高斯模型-隐马尔科夫模型。

TDNN（Time-delay Neural Networks）指时延神经网络模型。

CHAIN（Chain model）是指链式模型。

基于1505小时中文普通话语音数据集，数据堂精选了200小时中文普通话语音数据在OpenSLR发布，并在Kaldi平台提供了训练代码，对应的训练方法也在github平台发布。

据了解，数据堂将持续提供面向学术研究领域开源不同领域、不同应用场景的AI数据集。

开源数据获取方式：数据获取请登录数据堂官方网站

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。