A gépi beszédfelismerési kísérletek megismételhetősége és összehasonlíthatósága érdekében szükséges olyan tanítóhalmazt definiálni (train-114), amely elég nagy, de mind a beszélőket, mind a szövegtartalmat nézve független a tesztadatoktól. A validáló vagy fejlesztési (dev) halmaz szerepe, hogy a beszédfelismerő rendszer ún. hiperparamétereit (a neurális hálózat méretét, jellegét) mind a tanító, mind a végleges kiértékelő halmaztól független adatokkal tudjuk optimalizálni. A kiértékelő (eval) halmaz esetén fontos, hogy minél reprezentatívabb legyen, ugyanakkor ne vegyen el túl sok adatot a tanítástól. Végül, a beszéd jellegétől függően a teszthalmazokat két csoportra bontottuk: spontán és félspontán felvételek (spont), illetve olvasott vagy ismételt felvételek (repet). A BEA-Base részhalmazai és főbb kvantitatív jellemzőik a 3. táblázatban olvashatók.

 

A fejlesztői és kiértékelési halmazok összetétele az 5. táblázatban látható. Csak a főbeszélő (SPK) hangfelvételeit használjuk, mivel a felvételvezető és a társalgópartner hangja már szerepel a tanítóadatok között. A válogatott felvételek szövegfelolvasást azért nem tartalmaznak, mert a tanítóhalmazban már ugyanezen szövegkorpusz felolvasása megtalálható, emiatt meghamisítaná a beszédfelismerési eredményeket.