1）基本信息
VoxCeleb是一个大型人声识别数据集。它包含来自 YouTube 视频的 1251 位名人的约 10 万段语音。数据基本上是性别平衡的（男性占 55％）。这些名人有不同的口音、职业和年龄。开发集和测试集之间没有重叠。
该数据集有2个子集：VoxCeleb1和VoxCeleb2
VoxCeleb1
VoxCeleb1包含超过10万个针对1,251个名人的话语，这些话语是从上传到YouTube的视频短片中提取的。
发音人数：1251
视频数量：21245
音频数量：145265
VoxCeleb2
说话人深度识别数据集 VoxCeleb2包含超过100万个6,112个名人的话语，从上传到YouTube的视频中提取，VoxCeleb2已经与VoxCeleb1或SITW数据集没有重叠的说话人身份。
发音人数量：训练集：5994，测试集：118
视频数量：训练集：145569，测试集：4911
音频数量：训练集：1092009，测试集：36237
内容时长：2000小时以上
发布时间：2018年
2）数据集特点
1、音频全部采自YouTube，是从网上视频切除出对应的音轨，再再根据说话人进行切分；
2、属于完全真实的英文语音；
3、数据集是文本无关的；
4、说话人范围广泛，具有多样的种族，口音，职业和年龄；
5、每句平均时长8.2s，最大时长145s，最短时长4s，短语音较多；
6、每人平均持有句子116句，最大持有250句，最小持有45句；
7、数据集男女性别较均衡，男性有690人（55%），女性有561人；
8、采样率16kHz，16bit，单声道，PCM-WAV音频格式；
9、语音带有一定真实噪声，非人造白噪声，噪声出现时间点无规律，人声有大有小；
10、噪声包括：环境突发噪声、背景人声、笑声、回声、室内噪音、录音设备噪音；
11、视频场景包括：明星红地毯、名人讲台演讲、真人节目访谈、大型体育场解说；
12、音频无静音段，但不是VAD的效果，而是截取了一个人的完整无静音音频片段；
13、数据集自身以划分了开发集Dev和测试集Test，可直接用于Speaker Verification(V)
参考：