• Data (zip file, 8.9 GB)

This is a speech corpus for automatic speaker verification, mainly Japanese speech, collected from YouTube videos. The corpus specifications are as follows.

• Duration: 484 hours（subset: 245 hours）

• Sampling frequency: 16 kHz

• Audio format: mp3

• File name format: 

  • train data: `{speaker ID}_{utterance ID}`.mp3

  • test data: `{enrollment speaker ID}_{session ID}_{utterance ID}`.mp3

  • `{speaker ID}` are assigned as three alphabets, e.g., AAA.

  • `{session ID}` are assigned as three alphabets, e.g., AAA.

  •  `{utterance ID}` are assigned as eight alphabets, e.g., 2j8h8Hci

• Speakers： 1792 speakers (subset: 979)

本コーパスは，YouTube動画から収集した，日本語音声を主とする，話者照合のための音声コーパスです．本コーパスのスペックは以下のとおりです．

• 時間長: 484 時間（サブセット：245 時間）

• サンプリング周波数: 16 kHz

• オーディオフォーマット: mp3

• ファイル名フォーマット: 

  • 学習データ: `{speaker ID}_{utterance ID}`.mp3

  • テストデータ: `{enrollment speaker ID}_{session ID}_{utterance ID}`.mp3

  • `{speaker ID}` は3文字のアルファベット

  • `{session ID}` は3文字のアルファベット

  • `{utterance ID}` は8文字のアルファベット

• 話者数： 1792 名 (サブセット：979 名)

Research and development purpose only. (tentative. This will be subject to change.)

研究開発目的のみ．（暫定．変更する場合があります．）

• 塩田 さやか，永森 輝，若松 智花，高道 慎之介，"JTubeSpeech-ASV: YouTube から構築された話者照合のための日本語を主とした音声コーパス," 情報処理学会研究報告, Jun. 2023.

• Shinnosuke Takamichi, Ludwig Kürzinger, Takaaki Saeki, Sayaka Shiota, Shinji Watanabe, "JTubeSpeech: corpus of Japanese speech collected from YouTube for speech recognition and speaker verification," arXiv 2112.09323, Dec. 2021.

本コーパスの構築は，以下のプロジェクトを受けて実施したものです．

• JSPS科研費 22H03639

• セコム財団挑戦的研究助成

• Corpus list