Conversão de fala em texto em russo
Uma coleção de amostras de fala de várias fontes de áudio. O conjunto de dados contém clipes de áudio curtos em russo.
Observação
A Microsoft fornece o Azure Open Datasets no estado em que se encontra. A Microsoft não oferece garantias nem coberturas, expressas ou implícitas, em relação ao uso dos conjuntos de dados. Até o limite permitido pela legislação local, a Microsoft se exime de toda a obrigação por danos ou perdas, inclusive diretos, consequentes, especiais, indiretos, acidentais ou punitivos, resultantes do uso dos conjuntos de dados.
Esse conjunto de dados é fornecido de acordo com os termos originais com que a Microsoft recebeu os dados de origem. O conjunto de dados pode incluir dados originados da Microsoft.
Esse conjunto de STT (conversão de fala em texto) em russo inclui:
- aprox. 16 milhões enunciados
- aprox. 20.000 horas
- 2.3 TB (descompactados no formato .wav em int16), 356G em opus
- Todos os arquivos foram transformados para opus, exceto os conjuntos de dados de validação
A principal finalidade do conjunto de dados é treinar modelos de conversão de fala em texto.
Composição do conjunto de dados
O tamanho do conjunto de dados é fornecido para arquivos .wav.
| CONJUNTO DE DADOS | ENUNCIADOS | HORAS | GB | SEGUNDOS/CARACTERES | COMMENT | ANOTAÇÃO | QUALIDADE/RUÍDO |
|---|---|---|---|---|---|---|---|
| radio_v4 (*) | 7\.603.192 | 10.430 | 1\.195 | 5s/68 | Opção | Alinhar | 95%/nítido |
| public_speech (*) | 1\.700.060 | 2\.709 | 301 | 6s/79 | Discurso público | Alinhar | 95%/nítido |
| audiobook_2 | 1\.149.404 | 1\.511 | 162 | 5s/56 | Manuais | Alinhar | 95%/nítido |
| radio_2 | 651.645 | 1\.439 | 154 | 8s/110 | Opção | Alinhar | 95%/nítido |
| public_youtube1120 | 1\.410.979 | 1.104 | 237 | 3s/34 | Youtube | Subtítulos | 95% /~nítido |
| public_youtube700 | 759.483 | 701 | 75 | 3s/43 | Youtube | Subtítulos | 95%/~nítido |
| tts_russian_addresses | 1\.741.838 | 754 | 81 | 2s/20 | Endereços | Vozes TTS 4 | 100%/nítido |
| asr_public_phone_calls_2 | 603.797 | 601 | 66 | 4s/37 | Chamadas telefônicas | ASR | 70%/com ruído |
| public_youtube1120_hq | 369.245 | 291 | 31 | 3s/37 | Matriz do YouTube | Subtítulos | 95%/~nítido |
| asr_public_phone_calls_1 | 233.868 | 211 | 23 | 3s/29 | Chamadas telefônicas | ASR | 70%/com ruído |
| radio_v4_add (*) | 92.679 | 157 | 18 | 6s/80 | Opção | Alinhar | 95%/nítido |
| asr_public_stories_2 | 78.186 | 78 | 9 | 4s/43 | Manuais | ASR | 80%/nítido |
| asr_public_stories_1 | 46.142 | 38 | 4 | 3s/30 | Manuais | ASR | 80%/nítido |
| public_series_1 | 20.243 | 17 | 2 | 3s/38 | Youtube | Subtítulos | 95%/~nítido |
| asr_calls_2_val | 12.950 | 7,7 | 2 | 2s/34 | Chamadas telefônicas | Anotação manual | 99%/nítido |
| public_lecture_1 | 6\.803 | 6 | 1 | 3s/47 | Palestras | Subtítulos | 95%/nítido |
| buriy_audiobooks_2_val | 7\.850 | 4,9 | 1 | 2s/31 | Manuais | Anotação manual | 99%/nítido |
| public_youtube700_val | 7\.311 | 4,5 | 1 | 2s/35 | Youtube | Anotação manual | 99%/nítido |
(*) Apenas uma amostra dos dados é fornecida com arquivos txt.
Metodologia da anotação
O conjunto de dados é compilado usando software livre. As sequências longas são divididas em partes de áudio usando detecção de atividades de voz e alinhamento. Alguns tipos de áudio são anotados automaticamente e verificados estatisticamente usando heurística.
Volumes de dados e frequência de atualização
O tamanho total do conjunto de dados é de 350 GB. O tamanho total do conjunto de dados com rótulos compartilhados publicamente é de 130 GB.
É improvável que o conjunto de dados em si seja atualizado para ser compatível com versões anteriores. Acompanhe o repositório original para ver os parâmetros de comparação e excluir arquivos.
Novos domínios e idiomas podem ser adicionados no futuro.
Normalização de áudio
Todos os arquivos são normalizados para facilitar e agilizar aumentos de runtime. O processo é o seguinte:
- Convertidos em mono, se necessário;
- Convertidos a uma taxa de amostragem de 16 kHz, se necessário;
- Armazenados como inteiros de 16 bits;
- Convertidos em OPUS;
Metodologia de BD no disco
Cada arquivo de áudio (wav, binário) tem hash. O hash é usado para criar uma hierarquia de pastas para obter uma operação fs ideal.
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)
Downloads
O conjunto de dados é fornecido de duas formas:
- Arquivos disponíveis por meio do armazenamento de blobs do Azure e/ou links diretos;
- Arquivos originais disponíveis por meio do armazenamento de blobs do Azure; Tudo está armazenado em 'https://azureopendatastorage.blob.core.windows.net/openstt/ '
Estrutura de pastas:
└── 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
| CONJUNTO DE DADOS | GB, WAV | GB, ARQUIVO | ARQUIVAR | ORIGEM | MANIFESTO |
|---|---|---|---|---|---|
| Treinar | |||||
| Amostra de rádio e discurso público | - | 11,4 | opus+txt | - | manifest |
| audiobook_2 | 162 | 25,8 | opus+txt | Internet + alinhamento | manifest |
| radio_2 | 154 | 24,6 | opus+txt | Opção | manifest |
| public_youtube1120 | 237 | 19,0 | opus+txt | Vídeos do YouTube | manifest |
| asr_public_phone_calls_2 | 66 | 9,4 | opus+txt | Internet + ASR | manifest |
| public_youtube1120_hq | 31 | 4.9 | opus+txt | Vídeos do YouTube | manifest |
| asr_public_stories_2 | 9 | 1.4 | opus+txt | Internet + alinhamento | manifest |
| tts_russian_addresses_rhvoice_4voices | 80,9 | 12,9 | opus+txt | TTS | manifest |
| public_youtube700 | 75,0 | 12,2 | opus+txt | Vídeos do YouTube | manifest |
| asr_public_phone_calls_1 | 22,7 | 3.2 | opus+txt | Internet + ASR | manifest |
| asr_public_stories_1 | 4.1 | 0,7 | opus+txt | Histórias públicas | manifest |
| public_series_1 | 1,9 | 0.3 | opus+txt | Série pública | manifest |
| public_lecture_1 | 0,7 | 0,1 | opus+txt | Internet + manual | manifest |
| Val | |||||
| asr_calls_2_val | 2 | 0,8 | wav+txt | Internet | manifest |
| buriy_audiobooks_2_val | 1 | 0,5 | wav+txt | Livros + manual | manifest |
| public_youtube700_val | 2 | 0.13 | wav+txt | Vídeos do YouTube + manual | manifest |
Instruções de download
Download direto
Para obter instruções sobre como fazer o download do conjunto de dados diretamente, consulte a página de instruções de download do GitHub.
Informações adicionais
Para obter ajuda ou tirar dúvidas sobre os dados, contate os autores de dados em aveysov@gmail.com
Esta licença permite que os usuários distribuam, remixem, adaptem e compilem o material em qualquer meio ou formato, apenas para fins não comerciais e somente enquanto a atribuição for concedida ao criador. Ela inclui os seguintes elementos:
- BY – o crédito deve ser concedido ao criador
- NC – é permitido somente para uso não comercial do trabalho
CC-BY-NC e uso comercial disponíveis após o contrato com os autores do conjunto de dados.
Acesso de dados
Azure Notebooks
Funções/dependências auxiliares
compilação do libsndfile
Uma maneira eficiente de ler arquivos Opus em Python que não incorrem em sobrecarga significativa é usar o pysoundfile (um wrapper Python CFFI do libsoundfile).
O suporte a Opus foi implementado em upstream, mas não foi lançado adequadamente. Sendo assim, optamos por patches de build + monkey personalizados.
Geralmente é preciso executar isso em seu shell com acesso ao 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 .
Funções/dependências auxiliares
Instale as seguintes bibliotecas:
pandas
numpy
scipy
tqdm
soundfile
librosa
Os manifestos são arquivos CSV com as seguintes colunas:
- Caminho para o áudio
- Caminho para o arquivo de texto
- Duração
Eles provaram ser o formato mais simples para acessar os dados.
Para facilitar o uso, todos os manifestos já foram colocados no raiz novamente. Todos os caminhos neles são relativos, você precisa fornecer um diretório raiz.
# 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()
Executar com um conjunto de dados
Executar uma amostra de arquivos
A maioria dos navegadores de plataformas suporta a reprodução de áudios nativos. Portanto, podemos usar os players de áudio HTML5 para exibir nossos dados.
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)
Ler um arquivo
!ls ru_open_stt_opus/manifests/*.csv
Alguns exemplos mostram como ler melhor os arquivos WAV e Opus.
O SciPy é o mais rápido para WAV. O Pysoundfile é o melhor no geral para Opus.
%matplotlib inline
import librosa
from scipy.io import wavfile
from librosa import display as ldisplay
from matplotlib import pyplot as plt
Ler um 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)
Ler 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)
Próximas etapas
Exiba o restante dos conjuntos de dados no catálogo do Open Datasets.