137 lines
3.5 KiB
Markdown
137 lines
3.5 KiB
Markdown
# WenetSpeech
|
||
|
||
|
||
## 概述
|
||
|
||
WenetSpeech 是一个大规模中文语音语料库，包含超过 10,000 小时的多领域转录音频数据，专为语音识别研究而设计。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：自动语音识别（ASR）
|
||
- **输入**：包含中文语音的音频录音
|
||
- **输出**：中文转录文本
|
||
- **领域**：多领域（互联网、会议）
|
||
|
||
## 主要特点
|
||
|
||
- 大规模中文语音语料库（10,000+ 小时）
|
||
- 覆盖多领域：互联网内容、会议
|
||
- 高质量转录文本
|
||
- 适用于评估中文 ASR 系统
|
||
- 支持中英混合文本评估
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置使用 **test_meeting** 子集
|
||
- 按领域划分的子集：**dev**（开发集）、**test_meeting**（会议领域）
|
||
- 主要指标：**MER**（Mixed Error Rate，混合错误率）
|
||
- MER 将中文字符逐字切分，英文单词作为整体切分
|
||
- 提示词："Please listen to the audio and transcribe what you hear"
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `wenet_speech` |
|
||
| **数据集ID** | [lmms-lab/WenetSpeech](https://modelscope.cn/datasets/lmms-lab/WenetSpeech/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Audio`, `SpeechRecognition` |
|
||
| **指标** | `mer` |
|
||
| **默认样本数** | 0-shot |
|
||
| **评估子集** | `test_meeting` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 22,195 |
|
||
| 提示词长度（平均） | 161 字符 |
|
||
| 提示词长度（最小/最大） | 161 / 161 字符 |
|
||
|
||
**各子集统计信息：**
|
||
|
||
| 子集 | 样本数 | 提示词平均长度 | 提示词最小长度 | 提示词最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `dev` | 13,825 | 161 | 161 | 161 |
|
||
| `test_meeting` | 8,370 | 161 | 161 | 161 |
|
||
|
||
**音频统计信息：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 音频文件总数 | 22,195 |
|
||
| 每样本音频数量 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 格式 | wav |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `dev`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "c30c80b4",
|
||
"content": [
|
||
{
|
||
"text": "Please listen to the audio and transcribe what you hear. Please only provide the transcription without any additional commentary. Do not include any punctuation."
|
||
},
|
||
{
|
||
"audio": "[BASE64_AUDIO: wav, ~175.3KB]",
|
||
"format": "wav"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "对我做了介绍啊那么我想说的是呢大家如果对我的研究感兴趣呢嗯",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"text": "对我做了介绍啊那么我想说的是呢大家如果对我的研究感兴趣呢嗯"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
Please listen to the audio and transcribe what you hear. Please only provide the transcription without any additional commentary. Do not include any punctuation.
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets wenet_speech \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```python
|
||
from evalscope import run_task
|
||
from evalscope.config import TaskConfig
|
||
|
||
task_cfg = TaskConfig(
|
||
model='YOUR_MODEL',
|
||
api_url='OPENAI_API_COMPAT_URL',
|
||
api_key='EMPTY_TOKEN',
|
||
datasets=['wenet_speech'],
|
||
dataset_args={
|
||
'wenet_speech': {
|
||
# subset_list: ['dev', 'test_meeting'] # 可选，用于评估特定子集
|
||
}
|
||
},
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |