CSR-II (WSJ1) Complete数据集介绍，官网编号LDC94S13A
CSR-II (WSJ1) Complete 是 DARPA 资助发布的华尔街日报（WSJ）大词汇量连续语音识别（CSR）核心语料库，编号 LDC94S13A，以 WSJ0 为基础扩充，含约 162 小时双声道语音、7.8 万训练 utterances，是大词汇量 ASR 与语言建模的标准基准数据集。以下从核心信息、数据与标注、设计特点、应用与获取等方面展开。
一、核心基础信息
| 项目 | 详情 |
|---|---|
| 全称 | Wall Street Journal CSR-II (WSJ1) Complete Corpus |
| 归属体系 | WSJ 语音语料库系列，是 WSJ0（LDC93S6A/B）的扩展版，两者合称 WSJ CSR 语料库 |
| 核心规模 | 总语音约 162 小时（双麦克风同步录制），含 7.8 万训练 utterances（约 73 小时）、8.2 千开发测试 utterances（约 8 小时）、11 组 “Hub and Spoke” 测试集（约 11 小时） |
| 参与人员 | 含记者与普通成人，男女均衡，覆盖多样音质与方言，支持说话人无关（SI）训练 |
| 获取方式 | LDC 授权获取（LDC94S13A 完整版，LDC94S13B 仅含森海塞尔麦克风数据） |
二、数据内容与标注体系
- 核心数据
- 音频：双声道（森海塞尔近讲麦 + 辅助麦）高质量录音，SPHERE 格式并经 Shorten 压缩（约 2:1），含朗读语音与记者自发听写语音。
- 文本：源自《华尔街日报》新闻文本，含逐字转录与标准词表（5K/20K/64K 等），配套发音词典与句法标注，适配大词汇量任务。
- 训练范式：分为 SI-84（WSJ0 的 84 名说话人）与 SI-284（WSJ0+WSJ1 新增 200 名说话人）两种主流训练配置。
- 关键标注
- 文本与对齐：标注 utterance 边界、说话人、标点（含口语化 / 非口语化标点），提供语音 - 文本强制对齐标注。
- 词汇与发音：含 3 万 + 词表与发音词典，支持 5K - 64K 大词汇量建模，适配不同困惑度（80-240）设置。
- 元数据：含说话人年龄、性别、口音等信息，便于变量控制与偏差分析。