LibriSpeech

Mil horas de audiolibros en inglés transcritos, el benchmark estándar de reconocimiento de voz.

ÁreaAudio y Voz
DominioAudio / Voz
DificultadIntermedio
Tamaño~1,000 horas de audio transcrito
Fuente oficial

¿Qué puedes lograr con este dataset?

  • Entrenar o evaluar sistemas de reconocimiento automático de voz (ASR)
  • Practicar el manejo de datos de audio junto con sus transcripciones alineadas
  • Comparar modelos de ASR clásicos contra modelos basados en Transformers

Descripción

LibriSpeech es un corpus de aproximadamente 1,000 horas de habla en inglés leída, derivado de audiolibros del proyecto LibriVox, cuidadosamente segmentado y alineado con sus transcripciones. Es el benchmark académico más citado para sistemas de reconocimiento automático de voz.

Casos de uso

  • Entrenamiento y evaluación de modelos de reconocimiento de voz
  • Investigación en procesamiento de señales de audio
  • Benchmarking de arquitecturas ASR (desde HMM-GMM hasta Whisper)
  • Generación de datos sintéticos de voz (text-to-speech) usando las transcripciones

Cómo cargarlo

Cómo cargarlopython
import torchaudio

dataset = torchaudio.datasets.LIBRISPEECH("./datos", url="dev-clean", download=True)
audio, sample_rate, transcripcion, *_ = dataset[0]
print(transcripcion)

Ventajas y limitaciones

Ventajas

  • Estándar académico ampliamente citado, con métricas de referencia bien establecidas
  • Audio y transcripciones ya alineados y de buena calidad
  • Disponible directamente vía librerías como torchaudio

Limitaciones

  • Solo cubre inglés y habla leída (no conversacional ni espontánea)
  • El volumen de audio requiere espacio de almacenamiento y procesamiento considerable

Datasets relacionados

Otras menciones

Citados en el reporte que aún no tienen ficha propia.

  • UrbanSound8K