数据是“养成”一个语音识别系统的粮食。因此，一个识别系统要想健康成长，必须给他优质的数据作为食粮，保证营养供应。那么，什么才是优质数据呢？
早期，科学家们认为优质的数据是发音清晰的，且受噪音干扰少的数据。典型的如TIMIT数据库，中文数据库，清华THCHS30数据库都是依这样的原则设计的。这些数据库通常体量不大，因此发音文本要仔细设计，以满足发音单元的覆盖度。这些清晰的、低噪音的数据资源对语音学研究起到了巨大推动作用，让科学家们可以对语音信号的特性进行深入研究，如共振峰分布、音调模式等。
后来，研究者意识到过度要求发音质量，反而可能会使识别系统过于“娇贵”，难以适应现实场景。因此，发音人未必需要播音员标准，只需吐字正常即可；录音场景也不用刻意保持安静，不要过度嘈杂就可以。与其花精力控制录音质量，不如努力增加录音的数量，通过更多说话人，更多场景的采集，提高数据对真实场景的覆盖度。当前广泛应用的数据集，包括WSJ、Switchboard以及DataMagic、AIShell等数据公司推出的免费数据，都属于此列。这些数据规模大，场景覆盖全面，可以用来构造很好的语音识别系统。对这类数据而言，较为重要的是保证发音与文本标注的一致性，一般需达到95%以上。因此，这一时期我们认为优质的数据是标注准确的、发音人和场景覆盖广泛的、且具有足够规模的数据。
近年来，人们更加
转载请注明：http://www.0431gb208.com/sjszyzl/686.html
