阿拉伯语多语种语音合成与识别聚合数据集

音视频
0 下载
40 浏览
2026-07-24

数据集简介

Dataset Card

该数据集由 RidheshBhati 创建,并在 HuggingFace 平台公开发布,名称为“Arabic TTS/ASR Aggregated Dataset”。数据集的目的是为文本转语音(TTS)和自动语音识别(ASR)任务提供经过清洗和标准化的多语种语音数据。数据模态为音频与文本,格式为 Parquet。

数据集的语音数据已经过清洗、去重和响度归一化处理,确保音频质量的一致性。训练列包含音频(16-bit PCM WAV,采样率 22050 Hz)和文本,其余列则包含质量与来源元数据,便于用户筛选和追踪数据来源。

Files and versions

数据集以 Parquet 格式提供,用户可通过 HuggingFace 数据集页面直接下载。数据集的版本信息可在页面上的“Files and versions”部分查看,支持按需选择不同版本或文件。

Dataset Viewer

HuggingFace 提供了数据集查看器(Dataset Viewer),用户可以在线预览数据集的样本,包括音频文件、文本转录以及相关的元数据字段,便于快速了解数据结构。

Subset (1) default · 670k rows

数据集包含一个默认子集,共约 67 万行(670k rows)。该子集整合了所有语言的语音数据,并按照语言划分为五个部分(Split),分别为:

  • arabic:约 184k 行
  • japanese:约 146k 行
  • korean:约 104k 行
  • turkish:约 122k 行
  • vietnamese:约 113k 行

每个部分都包含音频与文本对,以及相关的元数据字段,如说话人 ID、性别、方言、时长、采样率等。

Split (5): arabic/japanese/korean/turkish/vietnamese

数据集按语言划分为五个子集,每个子集对应一种语言。这种划分方式便于用户针对特定语言进行模型训练或评估。以下是各语言子集的简要说明:

  • 阿拉伯语(arabic):约 18.4 万行,是数据集中最大的子集,适合阿拉伯语 TTS/ASR 任务。
  • 日语(japanese):约 14.6 万行,提供日语语音数据。
  • 韩语(korean):约 10.4 万行,提供韩语语音数据。
  • 土耳其语(turkish):约 12.2 万行,提供土耳其语语音数据。
  • 越南语(vietnamese):约 11.3 万行,提供越南语语音数据。

每个子集均包含音频文件(WAV 格式)和对应的文本转录,以及质量与来源元数据,如 RMS、LUFS、信噪比(SNR)等,方便用户进行数据筛选和质量评估。

数据字段说明

数据集的 schema 包含以下字段:

  • audio:音频文件,格式为 16-bit PCM WAV,采样率 22050 Hz。
  • text:对应的文本转录。
  • duration:音频时长(秒)。
  • sampling_rate:采样率,固定为 22050 Hz。
  • language:语言标识(如 arabic、japanese 等)。
  • dialect:方言信息(如有)。
  • speaker_id:说话人唯一标识。
  • gender:说话人性别。
  • dataset_name:原始数据集名称,用于溯源。
  • split:数据划分(如 train、validation 等)。
  • uid:唯一标识符。
  • rms:均方根能量,用于响度评估。
  • lufs:响度单位(LUFS),用于响度归一化参考。
  • snr:信噪比,用于音频质量评估。

这些字段为用户提供了丰富的元数据,便于进行数据筛选、质量控制和模型训练。

许可与访问

数据集的许可为“other”,但公开免费,用户可以直接从 HuggingFace 页面下载。下载方式为通过 HuggingFace 数据集页面,选择所需的文件或版本进行下载。

引用与来源

数据集由 RidheshBhati 发布,相关机构为 Linagora。如需引用,请参考 HuggingFace 数据集页面上的说明。

基本信息

记录数量未知
文件大小未知
文件格式未知
数据来源HuggingFace
音频格式16-bit PCM WAV,22050 Hz
数据规模约 670k 行
语言覆盖阿拉伯语、日语、韩语、土耳其语、越南语
许可other(公开免费)
数据落地页https://huggingface.co/datasets/RidheshBhati/tts_farm
发布日期2026-07-24
阿拉伯语语音合成语音识别多语种Parquet

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费