闽南语语音识别语料预览子集

音视频
0 下载
53 浏览
2026-09-01

数据集简介

Dataset Structure

本预览子集遵循完整 Minspeech 语料库的目录结构,每个 split 包含 10 条话语。每条话语包含以下字段:

  • id:官方 Minspeech 话语 ID,格式为 S<系列><集数><话语序号>,例如 S01E01U01。
  • audio:音频片段,16kHz 单声道 WAV 格式,语音内容为闽南语(台湾话)。
  • mandarin:对应的中文(普通话)转写文本。

Splits

数据集划分为四个 split,分别用于不同的研究目的:

Split 用途 话语数
train 训练集 10
dev 开发集(验证集) 10
test 测试集 10
unlabeled 无标签原始音频 10

其中 train、dev、test 为官方 Minspeech ASR 划分,包含语音与转写文本;unlabeled 为未经话语切分的原始视频音频,无转写,可用于预训练或半监督学习。

Statistics

完整 Minspeech 语料库的统计信息如下:

  • 总文件大小:183 GB
  • 总行数:2,668,609 行
  • 规模类别:1M < 行数 < 10M

预览子集每个 split 含 10 条话语,总计 40 条,文件大小远小于完整语料。

Use case

本预览子集适用于以下场景:

  • 快速了解 Minspeech 语料库的格式与内容,评估其是否适合您的 ASR 研究。
  • 测试数据处理流程或模型训练脚本,而不必下载庞大的完整语料。
  • 作为小规模基准,用于验证闽南语 ASR 系统的可行性。

Source

音频源自有版权的电视剧内容。因此,本数据集仅限非商业研究使用,并且不得再分发原始音频。请遵守 CC BY-NC-SA 4.0 许可条款。

Audio format

所有音频均以 WAV 格式存储,采样率为 16kHz,单声道。语音内容为闽南语(台湾话),转写文本为中文(普通话)。

Split

每个 split 的详细说明:

  • train:官方训练集,包含带转写的语音话语。
  • dev:官方开发集,用于模型调参和验证。
  • test:官方测试集,用于最终评估。
  • unlabeled:无标签数据,来自原始视频音频,未进行话语切分,无转写。

Total file size

完整语料库的总文件大小为 183 GB,但本预览子集仅包含少量样本,具体大小请以实际下载为准。

基本信息

记录数量预览子集共40条话语;完整语料总大小183 GB;行数2,668,609;规模类别1M<n<10M
文件大小预览子集共40条话语;完整语料总大小183 GB;行数2,668,609;规模类别1M<n<10M
文件格式wav, parquet
数据来源NickWeng
音频采样率16kHz
音频声道单声道
话语语言闽南语(台湾话)
转写语言中文(普通话)
许可协议CC BY-NC-SA 4.0
数据落地页https://huggingface.co/datasets/NickWeng/minspeech
发布日期2026-09-01
闽南语台湾话语音识别ASR语音语料库

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