다음을 통해 공유


러시아어 음성 텍스트로 열기

다양한 오디오 원본에서 파생된 음성 샘플 컬렉션입니다. 이 데이터 세트는 러시아어로 된 짧은 오디오 클립을 포함합니다.

참고 항목

Microsoft는 Azure Open Datasets를 “있는 그대로” 제공합니다. Microsoft는 귀하의 데이터 세트 사용과 관련하여 어떠한 명시적이거나 묵시적인 보증, 보장 또는 조건을 제공하지 않습니다. 귀하가 거주하는 지역의 법규가 허용하는 범위 내에서 Microsoft는 귀하의 데이터 세트 사용으로 인해 발생하는 일체의 직접적, 결과적, 특별, 간접적, 부수적 또는 징벌적 손해 또는 손실을 비롯한 모든 손해 또는 손실에 대한 모든 책임을 부인합니다.

이 데이터 세트는 Microsoft가 원본 데이터를 받은 원래 사용 약관에 따라 제공됩니다. 데이터 세트에는 Microsoft가 제공한 데이터가 포함될 수 있습니다.

이 러시아어 STT(Speech To Text) 데이터 세트에는 다음이 포함됩니다.

  • ~1600만 발언
  • ~20,000시간
  • 2.3TB(int16의 .wav 형식으로 압축되지 않음), opus의 356GB
  • 모든 파일이 opus로 변환됨(유효성 검사 데이터 세트 제외)

이 데이터 세트의 주요 목적은 음성 텍스트 변환 모델을 학습시키는 것입니다.

데이터 세트 구성

.wav 파일에 대해 데이터 세트 크기가 제공됩니다.

DATASET UTTERANCES 시간 GB SECS/CHARS 설명 ANNOTATION QUALITY/NOISE
radio_v4(*) 7,603,192 10,430 1,195 5초/68 라디오 정렬 95%/선명
public_speech(*) 1,700,060 2,709 301 6초/79 공개 연설 정렬 95%/선명
audiobook_2 1,149,404 1,511 162 5초/56 정렬 95%/선명
radio_2 651,645 1,439 154 8초/110 라디오 정렬 95%/선명
public_youtube1120 1,410,979 1,104 237 3초/34 YouTube 자막 95%/~선명
public_youtube700 759,483 701 75 3초/43 YouTube 자막 95%/~선명
tts_russian_addresses 1,741,838 754 81 2초/20 주소 TTS 4 음성 100%/선명
asr_public_phone_calls_2 603,797 601 66 4초/37 전화 통화 ASR 70%/노이즈가 많음
public_youtube1120_hq 369,245 291 31 3초/37 YouTube HQ 자막 95%/~선명
asr_public_phone_calls_1 233,868 211 23 3초/29 전화 통화 ASR 70%/노이즈가 많음
radio_v4_add(*) 92,679 157 18 6초/80 라디오 정렬 95%/선명
asr_public_stories_2 78,186 78 9 4초/43 ASR 80%/선명
asr_public_stories_1 46,142 38 4 3초/30 ASR 80%/선명
public_series_1 20,243 17 2 3초/38 YouTube 자막 95%/~선명
asr_calls_2_val 12,950 7.7 2 2초/34 전화 통화 매뉴얼 주석 99%/선명
public_lecture_1 6,803 6 1 3초/47 강의 자막 95%/선명
buriy_audiobooks_2_val 7,850 4.9 1 2초/31 매뉴얼 주석 99%/선명
public_youtube700_val 7,311 4.5 1 2초/35 YouTube 매뉴얼 주석 99%/선명

(*) 데이터 샘플만 txt 파일로 제공됩니다.

주석 방법론

이 데이터 세트는 오픈 소스를 사용하여 컴파일되었습니다. 긴 시퀀스는 음성 활동 감지 및 맞춤을 사용하여 오디오 청크로 분할되었습니다. 일부 오디오 유형은 자동으로 주석이 추가되었으며 통계적으로 휴리스틱을 사용하여 확인되었습니다.

데이터 볼륨 및 업데이트 빈도

데이터 세트의 총 크기는 350GB입니다. 공개적으로 공유되는 레이블이 포함된 이 데이터 세트의 총 크기는 130GB입니다.

이 데이터 세트 자체는 이전 버전과의 호환성을 위해 업데이트되지 않은 것 같습니다. 벤치마크의 경우 원본 리포지토리를 따르고 파일을 제외하세요.

나중에 새로운 도메인과 언어가 추가될 수 있습니다.

오디오 정규화

모든 파일은 더 쉽고 빠른 런타임 확대를 위해 정규화됩니다. 다음과 같이 처리됩니다.

  • 필요한 경우 모노로 변환됨
  • 필요한 경우 16kHz 샘플링 비율로 변환됨
  • 16비트 정수로 저장됨
  • OPUS로 변환됨

디스크 DB 방법론

각 오디오 파일(wav, 이진)은 해시됩니다. 해당 해시는 더 최적의 fs 작업을 위해 폴더 계층 구조를 만드는 데 사용됩니다.

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)

다운로드

이 데이터 세트는 다음과 같은 2가지 형식으로 제공됩니다.

  • Azure Blob Storage 및/또는 직접 링크를 통해 사용할 수 있는 보관
  • Azure Blob Storage를 통해 사용할 수 있는 원본 파일. 모든 파일은 ‘https://azureopendatastorage.blob.core.windows.net/openstt/’에 저장됨

폴더 구조:

└── 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
DATASET GB, WAV GB, ARCHIVE 보관 원본 매니페스트
학습
라디오 및 공개 연설 샘플 - 11.4 opus+txt - 매니페스트
audiobook_2 162 25.8 opus+txt 인터넷 + 맞춤 매니페스트
radio_2 154 24.6 opus+txt 라디오 매니페스트
public_youtube1120 237 19.0 opus+txt YouTube 비디오 매니페스트
asr_public_phone_calls_2 66 9.4 opus+txt 인터넷 + ASR 매니페스트
public_youtube1120_hq 31 4.9 opus+txt YouTube 비디오 매니페스트
asr_public_stories_2 9 1.4 opus+txt 인터넷 + 맞춤 매니페스트
tts_russian_addresses_rhvoice_4voices 80.9 12.9 opus+txt TTS 매니페스트
public_youtube700 75.0 12.2 opus+txt YouTube 비디오 매니페스트
asr_public_phone_calls_1 22.7 3.2 opus+txt 인터넷 + ASR 매니페스트
asr_public_stories_1 4.1 0.7 opus+txt 공개 스토리 매니페스트
public_series_1 1.9 0.3 opus+txt 공개 시리즈 매니페스트
public_lecture_1 0.7 0.1 opus+txt 인터넷 + 매뉴얼 매니페스트
Val
asr_calls_2_val 2 0.8 wav+txt 인터넷 매니페스트
buriy_audiobooks_2_val 1 0.5 wav+txt 도서 + 매뉴얼 매니페스트
public_youtube700_val 2 0.13 wav+txt YouTube 동영상 + 매뉴얼 매니페스트

다운로드 지침

직접 다운로드

데이터 세트를 직접 다운로드하는 방법에 대한 지침은 GitHub 다운로드 지침 페이지를 참조하세요.

추가 정보

데이터에 대한 도움이 필요하거나 질문이 있는 경우 aveysov@gmail.com의 데이터 작성자에게 문의하세요.

사용자는 이 라이선스를 통해 비상업적 용도로 그리고 만든 이에게 귀속된다는 조건에 한해서만 원하는 매체 또는 형식으로 소재를 배포, 리믹스, 조정 및 빌드할 수 있습니다. 다음과 같은 요소가 포함됩니다.

  • BY – 크레딧은 만든 이에게 귀속됩니다.
  • NC – 작품은 비상업적 사용만 허용됩니다.

CC-BY-NC 및 상업적 사용은 데이터 세트 작성자와 합의한 후 가능합니다.

데이터 액세스

Azure Notebooks

도우미 함수/종속성

libsndfile 빌드

상당한 오버헤드가 발생하지 않는 Python의 opus 파일을 읽는 효율적인 방법은 pysoundfile(libsoundfile 주변의 Python CFFI 래퍼)를 사용하는 것입니다.

Opus 지원이 업스트림으로 구현되었지만 제대로 릴리스되지 않았습니다. 따라서 사용자 지정 빌드 + 몽키패치를 옵트인(opt in)했습니다.

일반적으로 이 작업은 sudo 액세스 권한을 사용하여 셸에서 실행해야 합니다.

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 .

도우미 함수/종속성

다음 라이브러리를 설치합니다.

pandas
numpy
scipy
tqdm
soundfile
librosa

매니페스트는 다음 열이 포함된 csv 파일입니다.

  • 오디오 경로
  • 텍스트 파일 경로
  • 기간

데이터에 액세스하는 가장 간단한 형식으로 입증되었습니다.

사용 편의성을 위해 모든 매니페스트는 다시 루트로 지정됩니다. 모든 경로는 상대적이므로 루트 폴더를 제공해야 합니다.

# 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()

데이터 세트로 재생

파일 샘플 재생

대부분의 플랫폼 브라우저는 네이티브 오디오 재생을 지원합니다. 따라서 HTML5 오디오 플레이어를 사용하여 데이터를 볼 수 있습니다.

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)

파일 읽기

!ls ru_open_stt_opus/manifests/*.csv

wav 및 opus 파일을 가장 잘 읽는 방법을 보여 주는 몇 가지 예입니다.

Scipy는 wav에 가장 빠르게 사용할 수 있습니다. Pysoundfile이 전반적으로 opus에 가장 적합합니다.

%matplotlib inline

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

wav 읽기

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)

opus 읽기

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)

다음 단계

Open Datasets 카탈로그에서 나머지 데이터 세트를 봅니다.