Gezintiyi Atla

Russian Open Speech To Text

Speech to Text Russian Open STT

Çeşitli ses kaynaklarından toplanan konuşma örnekleri koleksiyonu. Veri kümesi Rusça kısa ses klipleri içerir.

Büyük olasılıkla şu ana kadarki en büyük genel Rusça STT veri kümesi:

  • yaklaşık 16 milyon ifade;
  • yaklaşık 20.000 saat;
  • 2,3 TB (int16 olarak .wav biçiminde sıkıştırılmamış), .opus biçiminde 356 GB;
  • Şimdi doğrulama veri kümeleri hariç tüm dosyalar opus’a dönüştürüldü;

Veri kümesinin temel amacı konuşmayı metne dönüştürme modellerini eğitmektir.

Veri kümesi bileşimi

Veri kümesi boyutu .wav dosyaları için verilmiştir.

Veri kümesi İfadeler Saat GB Sn/karakter Yorum Ek Açıklama Kalite/gürültü
radio_v4 (*) 7.603.192 10.430 1.195 5 sn / 68 Radyo Hizala %95 / net
public_speech (*) 1.700.060 2.709 301 6 sn / 79 Genel konuşma Hizala %95 / net
audiobook_2 1.149.404 1.511 162 5 sn / 56 Kitaplar Hizala %95 / net
radio_2 651.645 1.439 154 8 sn / 110 Radyo Hizala %95 / net
public_youtube1120 1.410.979 1.104 237 3 sn / 34 YouTube Alt yazılar %95 / ~net
public_youtube700 759.483 701 75 3 sn / 43 YouTube Alt yazılar %95 / ~net
tts_russian_addresses 1.741.838 754 81 2 sn / 20 Adresler TTS 4 sesleri %100 / net
asr_public_phone_calls_2 603.797 601 66 4 sn / 37 Telefon aramaları ASR %70 / gürültülü
public_youtube1120_hq 369.245 291 31 3 sn / 37 YouTube HQ Alt yazılar %95 / ~net
asr_public_phone_calls_1 233.868 211 23 3 sn / 29 Telefon aramaları ASR %70 / gürültülü
radio_v4_add (*) 92.679 157 18 6 sn / 80 Radyo Hizala %95 / net
asr_public_stories_2 78.186 78 9 4 sn / 43 Kitaplar ASR %80 / net
asr_public_stories_1 46.142 38 4 3 sn / 30 Kitaplar ASR %80 / net
public_series_1 20.243 17 2 3 sn / 38 YouTube Alt yazılar %95 / ~net
asr_calls_2_val 12.950 7,7 2 2 sn / 34 Telefon aramaları El ile ek açıklama %99 / net
public_lecture_1 6.803 6 1 3 sn / 47 Konuşmalar Alt yazılar %95 / net
buriy_audiobooks_2_val 7.850 4,9 1 2 sn / 31 Kitaplar El ile ek açıklama %99 / net
public_youtube700_val 7.311 4,5 1 2 sn / 35 YouTube El ile ek açıklama %99 / net

(*) Txt dosyalarıyla yalnızca örnek veriler sağlanır.

Ek açıklama metodolojisi

Veri kümesi açık kaynaklar kullanılarak derlenmiştir. Uzun diziler ses etkinliği algılama ve hizalama kullanılarak ses öbeklerine ayrılır. Bazı ses türlerine otomatik olarak ek açıklama eklenir ve bunlar istatistiksel olarak / buluşsal olarak doğrulanır.

Veri Hacimleri ve Güncelleştirme Sıklığı

Tüm veri kümesinin toplam boyutu 350 GB’tır. Herkese açık şekilde paylaşılan etiketler ile veri kümesinin toplam boyutu 130 GB’tır.

Veri kümesinin geriye dönük olarak uyumlu olması için güncelleştirilmesi öngörülmemektedir. Karşılaştırmalar ve hariç tutma dosyaları için lütfen özgün depoyu takip edin.

Gelecekte yeni etki alanları ve diller eklenebilir.

Ses normalleştirme

Tüm dosyalar daha kolay / daha hızlı çalışma zamanı geliştirmeleri ve işlemeleri için aşağıdaki gibi normalleştirilir:

  • Gerekirse monoya dönüştürülür;
  • Gerekirse 16 kHz örnekleme hızına dönüştürülür;
  • 16 bit tamsayılar olarak depolanır;
  • OPUS’a dönüştürülür;

Disk üzerinde veritabanı metodolojisi

Her ses dosyasına (wav, ikili) karma işlemi uygulanır. Karması, daha iyi fs işlemi için bir klasör hiyerarşisi oluşturmak üzere kullanılır.

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)
İndirmeler

Veri kümesi 2 biçimde sağlanır:

  • Azure blob depolama ve / veya doğrudan bağlantılar aracılığıyla kullanılabilen arşivler;
  • Azure blob depolama aracılığıyla kullanılabilen özgün dosyalar;

Her şey https://azureopendatastorage.blob.core.windows.net/openstt/ içinde depolanır

Klasör yapısı:

└── 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
Veri kümesi GB, wav GB, arşiv Arşiv Kaynak Bildirim
Eğitim
Radyo ve genel konuşma örneği - 11,4 opus+txt - bildirim
audiobook_2 162 25,8 opus+txt İnternet + hizalama bildirim
radio_2 154 24,6 opus+txt Radyo bildirim
public_youtube1120 237 19,0 opus+txt YouTube videoları bildirim
asr_public_phone_calls_2 66 9.4 opus+txt İnternet + ASR bildirim
public_youtube1120_hq 31 4,9 opus+txt YouTube videoları bildirim
asr_public_stories_2 9 1.4 opus+txt İnternet + hizalama bildirim
tts_russian_addresses_rhvoice_4voices 80,9 12,9 opus+txt TTS bildirim
public_youtube700 75.0 12,2 opus+txt YouTube videoları bildirim
asr_public_phone_calls_1 22.7 3.2 opus+txt İnternet + ASR bildirim
asr_public_stories_1 4.1 0.7 opus+txt Genel hikayeler bildirim
public_series_1 1.9 0.3 opus+txt Genel seriler bildirim
public_lecture_1 0.7 0.1 opus+txt İnternet + el kitabı bildirim
Val
asr_calls_2_val 2 0.8 wav+txt İnternet bildirim
buriy_audiobooks_2_val 1 0,5 wav+txt Kitaplar + el kitabı bildirim
public_youtube700_val 2 0.13 wav+txt YouTube videoları + el kitabı bildirim
İndirme yönergeleri

Doğrudan

Lütfen şuraya başvurun: https://github.com/snakers4/open_stt#download-instructions

Azure blob depolama bağlayarak

Lütfen “Veri Erişimi” Sekmesindeki not defterine bakın

Kişiler

Veriler hakkında yardım veya sorularınız için lütfen aveysov@gmail.com üzerinden veri yazarlarıyla iletişime geçin

Lisans

Bu lisans, malzemeleri yeniden kullanan kişilerin malzemeleri yalnızca ticari olmayan amaçlarla ve yalnızca oluşturucuya atıfta bulunularak herhangi bir ortamda veya biçimde yeniden dağıtmasına, yeniden oluşturmasına, uyarlamasına ve ekleme yapmasına olanak sağlar. Bu, aşağıdaki öğeleri içerir:
* BY: Oluşturucuya atıfta bulunulmalıdır
* NC: Çalışmanın yalnızca ticari olmayan kullanımlarına izin verilir

CC-BY-NC ve ticari kullanım, veri kümesi yazarlarıyla anlaşma yapıldıktan sonra gerçekleştirilebilir.

Başvurular / daha fazla bilgi

Özgün veri kümesi

  • https://github.com/snakers4/open_stt

İngilizce makaleler

  • https://thegradient.pub/towards-an-imagenet-moment-for-speech-to-text/
  • https://thegradient.pub/a-speech-to-text-practitioners-criticisms-of-industry-and-academia/

Çince makaleler

  • https://www.infoq.cn/article/4u58WcFCs0RdpoXev1E2

Rusça makaleler

  • https://habr.com/ru/post/494006/
  • https://habr.com/ru/post/474462/

Access

Available inWhen to use
Azure Notebooks

Quickly explore the dataset with Jupyter notebooks hosted on Azure or your local machine.

Select your preferred service:

Azure Notebooks

Azure Notebooks

Package: Language: Python

Helper functions / dependencies

Building libsndfile

The best efficient way to read opus files in python (the we know of) that does incur any significant overhead is to use pysoundfile (a python CFFI wrapper around libsoundfile).

When this solution was being researched the community had been waiting for a major libsoundfile release for some time.

Opus support has been implemented some time ago upstream, but it has not been properly released. Therefore we opted for a custom build + monkey patching.

At the time when you read / use this - probably there will be decent / proper builds of libsndfile.

Please replace with your faviourite tool if there is one.

Typically, you need to run this in your shell with sudo access:

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 .

Helper functions / dependencies

Install the following libraries (versions do not matter much):

pandas
numpy
scipy
tqdm
soundfile
librosa

Depending on how this notebook is run, this sometimes can be as easy as (if, for example your miniconda is not installed under root):

In [ ]:
!pip install numpy
!pip install tqdm
!pip install scipy
!pip install pandas
!pip install soundfile
!pip install librosa
!pip install azure-storage-blob

Manifests are just csv files with the following columns:

  • Path to audio
  • Path to text file
  • Duration

They proved to be the most simple / helpful format of accessing data.

For ease of use all the manifests are already rerooted, i.e. all paths in them are relative and you just need to add a root folder.

In [1]:
# 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
In [2]:
# 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)
In [3]:
# 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()

Play with a dataset

Play a sample of files

On most platforms browsers usually support native audio playback.

So we can leverage HTML5 audio players to view our data.

In [4]:
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/')
In [5]:
sample = manifest_df.sample(n=20)
display_manifest(sample)
100%|██████████| 20/20 [00:07<00:00,  2.66it/s]
wav txt duration
5963 [пожалуйста прости всё в порядке\n] 2.48
19972 [хотелось бы хотя бы разок глазком на неё посмотреть раз такое дело\n] 5.68
15555 [они с егерем на след напали до инспектора не дозвониться\n] 3.84
430 [что то случилось\n] 1.36
4090 [так давай опаздываем\n] 2.16
18590 [да саид слушаю тебя троих нашли а в полётном листе\n] 4.60
17734 [надо сначала самому серьёзным человеком стать понимаешь\n] 4.32
978 [вот что случилось\n] 1.56
13269 [да паш юль пожалуйста не делай глупостей\n] 3.48
4957 [полусладкое или сухое\n] 2.32
1913 [ищи другую машину\n] 1.80
10522 [гражданин финн не зная что я полицейский\n] 3.08
9214 [ты чего трубку не берёшь я же переживаю\n] 2.88
10014 [я не окажу сопротивления я без оружия\n] 3.00
8351 [звони партнёру пусть он напишет\n] 2.80
3818 [ну что пойдём обсудим\n] 2.12
11097 [вы простите понимаете все об этом знают\n] 3.16
2989 [какие уж разводки\n] 2.00
12229 [я получается какой то диспетчер а не напарник\n] 3.28
5348 [я же тебе сказала никакой карелии\n] 2.40

Read a file

In [ ]:
!ls ru_open_stt_opus/manifests/*.csv

A couple of simplistic examples showing how to best read wav and opus files.

Scipy is the fastest for wav, pysoundfile is the best overall for opus.

In [6]:
%matplotlib inline

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

Read a wav

In [7]:
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/')
In [8]:
sample = manifest_df.sample(n=5)
display_manifest(sample)
100%|██████████| 5/5 [00:01<00:00,  2.61it/s]
wav txt duration
7802 [это же позитивные новости не негативные\n] 2.01
3590 [белый цветочек\n] 1.17
10594 [какое отношение имеет ваша пенсия к моему отделению\n] 3.14
4630 [есть есть видео\n] 1.35
468 [что ещё раз\n] 0.62
In [9]:
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
In [10]:
# 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)
Out[10]:
<matplotlib.collections.PolyCollection at 0x7fdf62f7e8d0>

Read opus

In [11]:
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/')
In [12]:
sample = manifest_df.sample(n=5)
display_manifest(sample)
100%|██████████| 5/5 [00:02<00:00,  2.24it/s]
wav txt duration
5018 [а вы кто\n] 0.96
143473 [пьеса дружбы нету\n] 1.86
272155 [не знаю где находится\n] 2.64
334225 [ты куда звонишь то куда ты звонишь ты знаешь\n] 3.12
143789 [помощник дежурного\n] 1.86
In [13]:
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
In [14]:
# 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)
Out[14]:
<matplotlib.collections.PolyCollection at 0x7fdf62f8ee10>
In [ ]: