产品简介
WenetSpeech 是一个专为中文语音识别设计的大规模开源数据集，包含超过1万小时的多领域中文语音数据。它解决了研究者缺乏高质量、大规模中文语音数据用于模型训练和评估的痛点，适合语音识别领域的研究人员、工程师和开发者使用。
核心功能
- 提供超过1万小时的高标注质量中文语音数据
- 涵盖影视剧、新闻、有声书等10个领域
- 提供S、M、L三种规模的训练子集
- 包含设计良好的开发集与测试集
- 数据通过端到端方法进行质量验证与过滤
快速开始
- 访问官网阅读许可协议，申请下载密码。
- 将申请到的密码写入SAFEBOX/password文件。
- 运行提供的脚本从腾讯会议或ModelScope下载并解压数据。
界面预览
与其他方案对比
| 对比项 | WenetSpeech | 同类方案 |
|---|---|---|
| 数据规模与质量 | 提供超过1万小时高置信度标签数据，以及弱标签和无标签数据，总量超2.2万小时。 | 部分公开数据集规模较小或领域单一。 |
| 基准测试表现 | 使用本数据集训练的WeNet模型在多个测试集上达到有竞争力的字错率，例如在Test_Net上为9.70。 | 使用其他工具（如Kaldi）在相同数据集上训练，Test_Net上字错率为12.83。 |
适合谁用
- 进行中文语音识别算法研究的科研人员
- 构建和优化中文ASR系统的工程师
- 需要大规模中文语音数据进行模型预训练的开发者
下载与版本
当前最新版本为 main，发布于 。支持 Windows、macOS、Linux。
⚠️ 注意：本项目仅提供源代码下载，不包含可直接运行的安装包（exe/dmg/apk 等。下载后需要自行编译构建才能使用，适合有一定开发经验的用户。如果你不熟悉编译流程，建议寻找同类开箱即用的替代方案。
注意事项
- 本工具仅供学习和研究使用，请遵守相关法律法规。
- 请尊重内容创作者版权，勿将下载内容用于商业或非法传播。
- 项目源码地址：https://github.com/wenet-e2e/WenetSpeech