YODAS: Youtube-Oriented Dataset for Audio and Speech

在这项研究中，我们介绍了一个名为YODAS（面向YouTube的音频和语音数据集）的大规模多语言数据集，目前包括来自100多种语言的超过500k小时的语音数据，来源于标记和未标记的YouTube语音数据集。标记子集包括手动或自动字幕，有助于监督模型训练。相反，未标记的子集适用于自监督学习应用。YODAS是第一个公开可用的此规模数据集，且采用知识共享许可证分发。我们介绍了用于构建YODAS的收集方法，这有助于大规模语音数据集的构建。随后，我们对数据集中包含的语音和文本进行了全面分析。最后，我们描述了前15种语言的语音识别基线。

本论文旨在介绍YODAS数据集，该数据集是一个大规模、多语言的语音数据集，包含超过100种语言的500k小时语音数据，旨在为语音识别等任务提供更多的数据支持。

本论文提出了一种构建大规模语音数据集的方法，利用已有的YouTube语音数据集，包括有标注的和无标注的子集，来进行训练和自监督学习。同时，本论文还提供了对该数据集的全面分析和基于该数据集的语音识别基准测试。

YODAS数据集是第一个公开可用的大规模语音数据集，具有创新性。本论文提供了数据集构建的详细方法和数据集的分析。此外，本论文还提供了基于该数据集的语音识别基准测试，为该领域的研究提供了重要的参考。

最近在该领域中，还有其他相关的研究。例如，Google提出了一个名为Common Voice的语音数据集，旨在提高语音识别技术的准确性。此外，还有一些研究关注于利用深度学习技术来提高语音识别的性能。