高棉语-英语码切换合成语音数据集
音视频
0 下载
23 浏览
2026-08-13
数据集简介
Panhapich/khmer-english-codeswitch-tts-llm 是一个高棉语-英语码切换(code-switch)合成语音数据集。其构建流程为:先由大语言模型(LLM)撰写高棉语-英语码切换句子,再使用 VoxCPM2 语音合成模型生成对应语音,并经过程序化校验。任务标签为自动语音识别(Automatic Speech Recognition)与文本转语音(Text-to-Speech),涉及语言为高棉语(Khmer)与英语(English)。
规模与格式
- 规模:10K < n < 100K,共 19,825 条语音(utterances)
- 总时长:约 21.7 小时
- 采样率:16 kHz
- 音频格式:FLAC(audio/flac)
- 数据模态:音频及文本字段
字段结构
数据集包含以下字段:
| 字段 | 说明 |
|---|---|
| audio | 音频数据 |
| pair_id | 配对标识 |
| cs_text | 码切换文本 |
| km_orig | 高棉语原文 |
| en_orig | 英语原文 |
| swaps | 码切换位置信息 |
| n_swaps | 码切换次数 |
| cmi | 码切换度量指数 |
| voice_desc | 语音描述 |
| duration_s | 时长(秒) |
| seed | 随机种子 |
获取与许可
- 托管平台:HuggingFace Datasets,公开可下载
- 许可证:cc-by-4.0
- 发布/更新日期:2026-08-13
注意事项
该数据集为合成语音数据,使用时请留意其合成属性。
基本信息
记录数量10K<n<100K;19,825 条语音 / 21.7 小时 / 16 kHz
文件大小未知
文件格式FLAC
数据来源Panhapich
数据规模19,825 条语音 / 约 21.7 小时
采样率16 kHz
许可证cc-by-4.0
托管平台HuggingFace Datasets
任务自动语音识别(ASR)、文本转语音(TTS)
语言高棉语、英语
数据落地页https://huggingface.co/datasets/Panhapich/khmer-english-codeswitch-tts-llm
发布日期2026-08-13
高棉语英语码切换合成语音语音识别文本转语音
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