大规模阿拉伯语语音语料库 MASC

音视频
0 下载
29 浏览
2026-08-25

数据集简介

大规模阿拉伯语语音语料库(Massive Arabic Speech Corpus,MASC)是为促进阿拉伯语语音技术研究与开发而创建的大规模语音数据集,特别强调阿拉伯语语音识别(ASR)方向的应用。

数据规模与构成

  • 语音时长:1,000 小时语音
  • 采样率:16 kHz
  • 数据来源:从 700 多个 YouTube 频道中抓取
  • 数据特点:多区域(multi-region)、多流派(multi-genre)、多方言(multi-dialect)

配套资源

除 MASC 语料库本身外,项目还开发并提供以下配套资源:

  • 预训练 3-gram 语言模型:供研究人员下载使用;
  • 预训练自动语音识别(ASR)模型:可直接用于阿拉伯语语音识别相关研究。

附加语料

为增强语言模型,项目团队认为需要新的、更具包容性的阿拉伯语语音与文本语料,因此还创建并发布了最初从 Twitter 抓取的数据集,包含 1,200 万(12M)个独特阿拉伯语单词。

获取方式

该数据集通过 OpenDataLab 平台公开提供,用户可访问数据集页面查看详情并免费下载。官方文件直链由平台系统嗅探写入,请以落地页提供的下载入口为准。

基本信息

记录数量未知
文件大小未知
文件格式未知
数据来源未知
语音时长1,000 小时
采样率16 kHz
数据落地页https://opendatalab.com/OpenDataLab/Massive_Arabic_Speech_Corpus_MASC
发布日期2026-08-25
阿拉伯语语音识别语音语料库自动语音识别方言

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