法语语音到语音微调数据集

音视频
0 下载
2 浏览
2026-08-09

数据集简介

数据组成

该数据集整合了 5 个法语语音来源,构成统一的微调语料:

  • common_voice_fr:238k 行,仅包含 train 一个划分,是数据集中规模标注明确的子集
  • emilia_yodas_fr
  • mls_fr
  • orfeo
  • voxpopuli_fr

所有子集均为法语语音,模态为音频(Audio)与文本(Text),存储格式为 parquet,音频以 wav 形式内嵌,整体规模在 100K - 1M 行区间。

字段结构

每个子集共享一致的字段体系,覆盖音频定位、转写与说话人元数据三个层面:

  • 音频与切片信息:clip_id、source、source_file、start_s、end_s、duration_s、source_duration_s、source_truncated、max_duration_s_applied、audio
  • 转写文本:transcript、transcript_norm、n_words、source_transcript、domain
  • ASR 标注:whisper_model、asr_language、distillmos
  • 说话人元数据:speaker_id、gender、age、accent
  • 切片与流水线信息:cut_reason、head_pad_applied_s、tail_pad_applied_s、zone_dur_s、n_segments_in_zone、seg_pos_in_zone、pipeline_version、processed_date、pipeline_params_json

其中 transcript_norm 为规范化转写,pipeline_params_json 以 JSON 形式记录了数据处理流水线的完整参数配置,便于复现与追溯。

获取与使用

数据集托管于 HuggingFace,公开可访问,支持通过 Datasets、Dask、Polars 等常用数据加载库读取,也可在 Dataset Viewer 中在线浏览各子集内容。页面未标注具体许可证,使用前建议自行确认各来源子集(Common Voice、MLS、VoxPopuli 等)自身的授权条款。

基本信息

记录数量未知
文件大小未知
文件格式parquet
数据来源baptistefrancois1
数据模态音频 + 文本
规模100K - 1M 行
子集数量5
划分train
语言法语
访问方式公开访问
支持库Datasets、Dask、Polars
发布日期2026-08-09
数据落地页https://huggingface.co/datasets/baptistefrancois1/s2s-fr-finetuning
法语语音语音识别语音到语音微调数据集语音转写

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