distil-whisper/peoples_speech-clean

数据集简介

这是一个由 distil-whisper 发布的语音数据集，名为 peoples_speech-clean。它是从原始 People's Speech 数据集中提取并经过清理的版本。

主要用途

该数据集主要用于语音识别（ASR）模型的训练与评估，特别是为构建更高效、更精确的语音转文本模型提供高质量的语音-文本对数据。

数据类型/模态

• 模态：音频（语音）
• 数据形式：语音片段及其对应的转录文本（文本标签）。

核心特点

1. 高质量与清洁度：作为“clean”版本，它很可能经过了严格的数据过滤和预处理，去除了噪声大、质量差或转录不准确的样本，旨在提供更可靠、更干净的训练数据。
2. 适用于模型蒸馏：由 distil-whisper 发布，暗示该数据集可能特别适用于知识蒸馏场景，即用于训练更轻量、更高效的 Whisper 语音识别模型变体。
3. 易于获取：数据集未设置访问门控（gated: false），可以公开下载和使用。

使用场景

• 训练或微调开箱即用的语音识别模型。
• 进行语音识别模型的基准测试和性能评估。
• 用于模型压缩与蒸馏研究，构建更小、更快的ASR模型。