希伯来语语音识别微调数据集(2–30秒片段)
音视频
0 下载
23 浏览
2026-08-11
数据集简介
数据集概述
本数据集是 ivrit.ai 项目的一部分,旨在为希伯来语语音识别研究提供大规模、高质量的音频-文本配对数据。原始语料来自 ivrit.ai audio-v2,总计超过 20,000 小时的希伯来语音频,经过自动语音活动检测(VAD)和切分处理,形成 6,865,836 个 2–30 秒的语音片段,每个片段都附带机器生成的转录文本,可直接用于 ASR 模型的微调。
构建方式
VAD — Silero VAD (ONNX)
每个音频片段(episode)首先被解码为 16 kHz 单声道格式,然后使用 Silero VAD(ONNX 版本)进行语音活动检测。Silero VAD 能够准确识别语音区域,为后续的切分提供依据。
切分策略
- 语音区域超过 30 秒的,会在窗口内最安静且足够长的停顿处进行切分,确保切割点落在静音处而非单词中间。
- 短于 2 秒的语音区域会被丢弃,以保证每个片段都包含足够的语音信息。
转录
每个切分后的语音片段都附有机器生成的转录文本,这些转录文本由 ivrit.ai 的语音识别系统自动生成,可作为 ASR 模型微调的训练标签。
数据格式与字段
数据以 Parquet 格式存储,每个文件包含以下字段:
| 字段名 | 说明 |
|---|---|
| audio | 音频数据 |
| text | 转录文本 |
| timeseries | 时间序列信息 |
| token_ids | token 标识 |
| token_logprobs | token 对数概率 |
| num_tokens | token 数量 |
| mean_token_logprob | 平均 token 对数概率 |
这些字段提供了丰富的音频和文本信息,便于研究者进行各种 ASR 相关实验。
规模与许可
- 总行数:6,865,836 行(规模在 1M–10M 之间)
- 音频来源:超过 20,000 小时的希伯来语音频
- 许可协议:ivrit.ai(license: other),公开免费下载
使用场景
本数据集专为 ASR 微调设计,适合用于训练和评估希伯来语语音识别模型。研究者可以直接使用这些 2–30 秒的语音片段及其转录文本,进行模型微调、语音识别性能测试等任务。
下载方式
数据集托管在 HuggingFace 平台,可通过以下链接访问:
https://huggingface.co/datasets/notmax123/ivirits-audio-v2-30s
用户可以直接在 HuggingFace 页面上下载 Parquet 文件,或使用 datasets 库加载。
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HuggingFace
音频采样率16 kHz 单声道
片段时长2–30 秒
总行数6,865,836
许可协议ivrit.ai (other)
数据落地页https://huggingface.co/datasets/notmax123/ivirits-audio-v2-30s
发布日期2026-08-11
希伯来语语音识别ASR音频数据集微调
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