Lhotse 是一個旨在使語音和音頻數據準備更具靈活性和可訪問性的 Python 庫，它與 k2 一起，構成了下一代 Kaldi 語音處理庫的一部分。

主要目標：

1. 以 Python 為中心的設計吸引更廣泛的社區參與語音處理任務。

2. 為有經驗的 Kaldi 用戶提供富有表現力的命令行接口。

3. 為常用的語料庫提供標準的數據準備方案。

4. 為與語音和音頻相關的任務提供 PyTorch 數據集類。

5. 通過音頻剪輯的概念實現模型訓練中的靈活數據準備。

6. 提高效率，特別是在 I/O 帶寬和存儲容量方面。

使用 Lhotse 對數據集結構化抽象、存儲和轉換成 PyTorch 數據管道，可以很方便實現語音識別和語音合成工程項目。

無論是音頻大文件和小文件，都可以使用 cut 來有效表達：

Lhotse 支持了近百個數據集，開箱即用，新的數據集可參考這些例子來完成。

操作數據集也很方便

很方便地與 PyTorch 集成

Lhotse 的可擴展性

除了文本與語音信息外，Lhotse 還可以 custom 許多信息：強制對齊、duration、pitch 等，可以方便地支持多種語音任務。

對于特征抽取的存儲，Lhotse 的寫入效率會隨著文件大小逐漸變慢，必要的時候需要 CutSet.split 成多個 JOB 執行來提高效率。?

此外，盡管 Lhotse 提供了命令行工具，但缺乏 web 工具去分析數據集、樣例數據。

依賴?Lhotse 的項目

• https://github.com/k2-fsa/icefall

• https://github.com/lifeiteng/vall-e

參考資料：

• https://lhotse.readthedocs.io/en/latest/index.html

• Slides for the Interspeech 2023 tutorial

  • https://github.com/k2-fsa/icefall/issues/1230