FLEURS-R NeuCodec 多语言语音数据集

音视频
0 下载
26 浏览
2026-09-13

数据集简介

数据集卡片

FLEURS-R NeuCodec All Languages 是由 Malaysia AI(malaysia-ai)在 Hugging Face 上发布的公开数据集,包含 102 个语言区域(locales)的 FLEURS-R 元数据、源音频以及预先计算好的 NeuCodec tokens。该数据集面向两类语音任务:

  • Text-to-Speech(文本转语音)
  • Automatic Speech Recognition(自动语音识别)

数据模态涵盖音频(Audio)、表格(Tabular)与文本(Text)。数据集整体规模为 103 个子集共约 279k 行,其中 train split 为 248k 行,dev(development)split 为 31.4k 行。

每条记录包含以下字段:

字段 说明
id 记录标识
path 路径
neucodec_path NeuCodec tokens 路径
filename 文件名
sentence 句子文本
normalized_text 归一化文本
characters 字符信息
locale 语言区域
split 所属 split(train / dev)
gender 说话人性别
speaker 说话人
num_samples 音频采样点数
audio 音频数据

数据集采用 CC-BY-4.0 许可证发布,可公开免费访问。

Data Studio

数据集提供 Data Studio 在线浏览功能,默认展示 103 个子集中的 default 子集(共 279k 行),可直接在 Hugging Face 页面上查看 train 与 development 两个 split 的元数据记录,包括句子文本、语言区域、说话人信息等字段内容。

文件与版本

数据集仓库的目录结构如下:

  • data/:以 Parquet 格式存储的 train 与 development 元数据
  • audio/:按语言区域(locale)组织的 FLEURS-R 源音频归档文件
  • neucodec/:预先计算好的 NeuCodec tokens 文件

涉及的文件格式包括 Parquet(元数据)、WAV(音频)与 PT(tokens)。所有文件与版本信息均可在 Hugging Face 仓库页面的 Files and versions 标签页中浏览与下载。

基本信息

记录数量未知
文件大小未知
文件格式Parquet / WAV / PT
数据来源Malaysia AI
许可证CC-BY-4.0
规模103 个子集共 279k 行(train 248k、dev 31.4k),102 个语言区域
任务Text-to-Speech, Automatic Speech Recognition
数据落地页https://huggingface.co/datasets/malaysia-ai/fleurs-r-neucodec-all-languages
发布日期2026-09-13
语音数据集文本转语音自动语音识别FLEURS-RNeuCodec多语言

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