多语言语音文本配对数据集(中文粤语日语韩语等)
数据集简介
数据组织与目录结构
数据集以目录树方式组织,音频与文本分离存放,便于按需下载:
audio/:存放音频片段文件;text/:存放转写文本与对应的音频 ID;data/dataset.jsonl:以 JSONL 形式汇总语音-文本配对记录;batch_1/:批量元数据目录,内含metadata_batch_1_batch_100.csv;- 语言子目录:
chinese__/、english/、hongkong/、japanese/、korean/、taiwan/。
各语言子目录中的元数据文件采用统一的命名方式,例如 english/metadata_english_batch_100.csv、hongkong/metadata_hongkong_batch_100.csv、japanese/metadata_japanese_batch_100.csv、taiwan/metadata_taiwan_batch_100.csv,韩语子集为 korean/metadata_korean_batch_18.csv。
语言子集与元数据规模
数据集覆盖中文、英文、粤语(hongkong)、日语、韩语、台湾等多个语言方向。中文子集 chinese__/ 提供 1 万条中文元数据映射,是各语言中已明确规模的部分;其余语种子集以 batch 文件形式分批给出元数据,如英文、粤语、日语、台湾的 batch 100 文件与韩语的 batch 18 文件。
| 子目录 | 元数据文件 |
|---|---|
| chinese__ | 1 万条中文元数据映射 |
| english | metadata_english_batch_100.csv |
| hongkong | metadata_hongkong_batch_100.csv |
| japanese | metadata_japanese_batch_100.csv |
| korean | metadata_korean_batch_18.csv |
| taiwan | metadata_taiwan_batch_100.csv |
文件格式与配对方式
数据模态为音频加文本,音频片段以独立文件形式存放于 audio/ 目录,文本转写与音频 ID 存放于 text/ 目录,二者通过 ID 建立对应关系;data/dataset.jsonl 则以 JSONL 格式给出结构化的配对记录,便于程序化读取。元数据部分使用 CSV 格式,按语言与批次拆分,字段随各语言子集文件提供。
仓库规模与更新情况
仓库总体积约 3.84 GB,累计提交 716 次。从提交记录看,文本转写与音频 ID 的补充、以及 1 万条中文元数据映射的加入均发生在约一个月前,说明数据仍在持续完善中。最近一个月下载量为 18 次。
使用说明与访问方式
数据集公开可访问,未设置访问门槛(非 gated、非私有),可通过页面提供的文件与版本列表按目录下载所需子集。需要注意的是,数据集卡片目前为空,页面未标注具体许可协议;Dataset Viewer 因缺少 split 配置而不可用,因此无法直接在网页端预览样本,使用前应结合目录结构与元数据文件确认字段含义与配对关系。