LibriSpeechは、オーディオブックから派生した大規模な英語音声コーパスであり、ジョンズ・ホプキンス大学のVassil Panayotovらによって作成され、2015年に公開された。自動音声認識（ASR）および音声合成（TTS）システムの訓練と評価における標準的なベンチマークとなっている。このコーパスは、約1,000時間の朗読音声で構成され、16 kHzでサンプリングされており、モデルの訓練とテスト用に難易度の異なるサブセットに編成されている。
このデータセットは、LibriVoxプロジェクトのパブリックドメインのオーディオブックの音声録音と、Project Gutenbergの対応するテキストを組み合わせて構築された。作成者らは、正確な転写と音声品質を保証するために、厳密なアライメントとフィルタリングのパイプラインを適用した。LibriSpeechは、その規模、多様な話者（2,400人以上）、および朗読音声の自然な韻律で知られており、音声処理における機械学習および深層学習研究を前進させる貴重なリソースとなっている。
コーパスの構造とサブセット
LibriSpeechは、train-clean-100、train-clean-360、train-other-500、dev-clean、dev-other、test-clean、test-otherの複数のサブセットに分割されている。'clean'サブセットには、背景ノイズが最小限で、明瞭な発音の話者による録音が含まれ、'other'サブセットには、さまざまなアクセントやわずかなノイズなど、より困難な条件が含まれる。訓練サブセットは合計約960時間で、開発セットとテストセットはそれぞれ約5時間を含む。この構造により、研究者はクリーンなデータでモデルを訓練し、より困難な条件での堅牢性を評価できる。
各発話は、FLACオーディオファイルとテキスト転写として提供される。コーパスには、話者IDと章情報も含まれており、話者依存または複数話者の実験が可能である。'other'サブセットは、現実的な変動下でのASRシステムのストレステストに特に有用である。
音声認識研究における役割
LibriSpeechは、ASRの事実上の標準ベンチマークとなっている。ニューラルネットワークアーキテクチャに基づくものを含む多くの画期的なモデルが、LibriSpeechのテストセットでの性能を報告している。例えば、トランスフォーマーベースのモデルや大規模言語モデル統合音声システムは、test-cleanおよびtest-otherでの単語誤り率（WER）を主要な指標として挙げることが多い。このコーパスの規模とオープンな入手可能性により、従来の隠れマルコフモデルから現代のエンドツーエンドシステムまで、さまざまなアプローチ間での再現可能な比較が可能になった。
研究者はまた、転移学習や事前学習にもLibriSpeechを使用している。wav2vec 2.0やHuBERTなどのモデルは、LibriSpeechまたはその大規模な変種で事前学習されており、単純な教師あり学習を超えたコーパスの有用性を示している。整列されたテキストの入手可能性は、強制アライメントや発音モデリングの研究も促進している。
拡張と変種
特定の研究ニーズに対応するために、LibriSpeechのいくつかの拡張が公開されている。LibriSpeech-100およびLibriSpeech-360は、元の訓練データのサブセットである。LibriSpeechから派生したLibriTTSは、TTS研究用に設計された、文レベルのセグメンテーションを備えた24 kHzの高品質オーディオを提供する。Libri-Lightは、同じオーディオブックソースから抽出されたはるかに大規模なラベルなしコーパス（60,000時間以上）であり、自己教師あり学習を目的としている。これらの変種は、さまざまな音声タスクにわたって元のコーパスの影響を拡大している。
さらに、LibriSpeechは、MUSANコーパスからの背景ノイズを追加したLibriSpeechなど、堅牢なASR研究用のノイズ付きまたは残響付きバージョンの作成にも使用されている。これらの適応により、研究者は新しいデータを収集することなく、悪条件下でのモデル性能を評価できる。
影響と限界
LibriSpeechは、大規模で無料かつ十分に文書化されたリソースを提供することで、音声技術の進歩を大幅に加速させた。その成功は、他の言語やドメインでの同様のコーパスを刺激した。しかし、このコーパスには限界がある：オーディオブックからの朗読音声のみが含まれており、自発的な会話音声とは異なる。語彙も文学的な言語に限定されており、ドメイン固有の用語が欠けている。さらに、話者の分布は特定の人口統計に偏っており、訓練されたモデルにバイアスを導入する可能性がある。
これらの限界にもかかわらず、LibriSpeechは人工知能研究における基礎的なリソースであり続けている。学術および産業環境での継続的な使用は、ASRから話者検証、感情認識まで、音声関連タスクのベンチマークとしての重要性を強調している。