Golos от SberDevices — набор русской речи примерно на 1240 часов: 1227,4 ч для обучения и 12,6 ч для теста, в двух подмножествах, crowd и farfield. Common Voice встречается в замерах как тестовый набор, например у GigaAM и T-one. Поток (potok.now) — не датасет, а приложение для диктовки.
Датасет для распознавания речи — это записи голоса с точным текстом рядом: на таких парах модель учат и проверяют. Для русского чаще всего упоминают Golos и Common Voice. Про Golos в открытом репозитории есть точные цифры, про Common Voice ниже сказано только то, что видно в замерах моделей.
Датасеты для русского распознавания речи: Golos и Common Voice в цифрах
Golos — набор русской речи от SberDevices, около 1240 часов. Обучающая часть занимает 1227,4 часа: 1095 часов подмножества crowd и 132,4 часа подмножества farfield. Тестовая часть — 12,6 часа: 11,2 часа crowd и 1,4 часа farfield. Архив в формате Opus весит 20,5 ГБ. Те же данные выложены на Hugging Face под именем SberDevices/Golos, исходный репозиторий — salute-developers/golos. Тестовая часть заметно короче обучающей: 12,6 часа против 1227,4.
Число дикторов в репозитории не указано. Лицензия опубликована PDF-файлами на английском и русском, тип лицензии там не назван: условия использования, в том числе коммерческого, читайте в этих файлах.
В репозитории есть и базовые замеры. Для моделей QuartzNet и CitriNet со жадным декодированием WER составляет 4,389 на crowd и 14,949 на farfield, на тесте Common Voice (MCV1) — 11,278. Лучший результат с языковой моделью: 3,318 на crowd и 11,488 на farfield.
Где эти наборы встречаются в замерах русских моделей
Авторы GigaAM-v3 берут Golos Crowd и Golos Farfield как тестовые наборы. Для GigaAM-v3 CTC и RNNT WER на них составляет 2,8 и 2,4 на crowd, 4,5 и 3,9 на farfield, а у Whisper в той же таблице — 19,0 и 16,4. Версия Whisper в колонке не указана, а сами цифры принадлежат авторам GigaAM.
Common Voice там же присутствует как Common Voice 19: 1,3 и 0,9 у GigaAM-v3 против 5,5 у Whisper. Карточка T-one даёт на CommonVoice 19 свои числа: 5,32 у T-one, 2,68 у GigaAM и 5,78 у Whisper large-v3. Числа для Whisper на этом наборе у двух источников разные (5,5 и 5,78): в таблице GigaAM версия Whisper не указана. В README самого Whisper график WER по языкам построен на Common Voice 15 и Fleurs.
Почему для русской речи берут отдельную модель, разобрано в материале про отдельную модель, а как диктовать по-русски в программе, — в обзоре русского голосового набора.
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Когда датасеты вам не помогут
Датасет нужен тому, кто обучает или проверяет модель. Для набора текста голосом он не нужен: Поток — приложение, куда ставят и сразу диктуют. Поток — облачный сервис, распознавание идёт на серверах в России; без интернета он не работает. Для готовых записей у Потока есть Telegram-бот potok_now_bot: одна подписка покрывает приложение для диктовки и бот для записей и голосовых. Свойства самого Common Voice (объём, лицензия) здесь не приводятся: перед использованием откройте страницу набора и прочтите условия.
Частые вопросы
Примерно 1240 часов. Обучающая часть занимает 1227,4 ч: 1095 ч в подмножестве crowd и 132,4 ч в farfield. Тестовая часть — 12,6 ч: 11,2 ч crowd и 1,4 ч farfield. Архив в формате Opus весит 20,5 ГБ.
В репозитории лицензия лежит файлами PDF на английском и русском. Тип лицензии там не назван, поэтому условия использования, в том числе коммерческого, стоит читать в этих файлах.
Скачайте последнюю версию с официальной страницы potok.now/download и переустановите приложение: установщик со стороннего сайта может быть изменён. Если не помогло — напишите в поддержку: support@potok.now или в Telegram https://t.me/ai23c.
Зарегистрироваться можно по e-mail с паролем или через Google. При регистрации по e-mail на почту приходит письмо со ссылкой подтверждения; после перехода по ней можно войти. Подписку и оплату видно в личном кабинете potok.now/account.
Есть бесплатный пробный период на 14 дней с полным доступом к функциям Pro, карта не требуется. После пробного периода — либо бесплатный лимит 2500 слов в неделю, либо платная подписка Pro 690 ₽/мес (дешевле при годовой оплате — 499 ₽/мес).
Скачать установщик с potok.now/download → установить → зарегистрироваться по email → в любом текстовом поле зажать хоткей (по умолчанию Ctrl+Space) → говорить → отпустить хоткей — текст появится в поле.
Скачать «Поток»
Работает по одной клавише в любой программе. 14 дней полного доступа, потом Free 2500 слов в неделю или Pro 690 ₽/мес (499 ₽/мес за год). «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Одна подписка — два инструмента: диктовка в любой программе на компьютере и @potok_now_bot в Telegram, который расшифровывает голосовые, аудио и видео.
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
Первоисточники: support.microsoft.com · support.apple.com