GRIOT Duplex v1 全双工呼叫中心对话语音集
数据集简介
GRIOT Duplex v1 的定位
GRIOT Duplex v1 由 HuggingFace 发布方 moiesmud 公开,是一套合成的双声道全双工呼叫中心对话语音语料。它的核心用途是训练与评估全双工语音到语音模型——这类模型边听边说,而不是严格轮流发言;同时也可用于轮流发言与反馈语预测、抗重叠语音识别(overlap-robust ASR)以及对话式语音合成(conversational TTS)。该语料属于面向非洲语言全双工对话系统建设的一部分。
每条文件是一通完整对话,每个声道对应一位说话人,重叠、打断、反馈语与静默都在音频中保留下来,便于模型学习真实对话中的交错节奏。
仓库布局
仓库按长短两种对话组织为互不通用的子语料:
audio/:2,890 个长对话 FLAC;render_omnivoice_emotion.json:全部 2,890 条对话的时间表;data/:早期时间表,保留作为溯源;shortform/audio/<lang>/:8,667 个短对话 FLAC,覆盖 5 种语言;shortform/data/<lang>/:分片渲染记录;shortform/*.json:清单与音色池。
长对话共 2,890 条、496.0 小时、216,688 轮次,中位时长 10.1 分钟;短对话共 8,667 条、96.8 小时,中位时长约 40 秒。文件总大小 246 GB,数据集规模标注为 10K<n<100K。
时间表
时间表以 JSON 提供,逐条对话记录 duration、turn count、placements(channel、start、duration)、speaker voices、emotion labels、per-speaker code-switch level、conversation policy 与 hold placements。借助 placements,可以精确还原每次发声落在哪个声道、从何时开始、持续多久;hold placements 则标记对话中的保持位。
双声道均为宽带音频
全库音频格式统一:FLAC、24 kHz、2 声道、PCM_16,属于宽带语音。声道 0(左)为坐席,声道 1(右)为客户,这一固定映射使说话人身份无需额外标注即可从声道直接获得。
预期用途
该语料面向全双工对话系统的训练与评测,具体包括:
- 全双工语音到语音建模;
- 轮流发言与反馈语预测;
- 抗重叠语音识别;
- 对话式语音合成。
使用限制
语料为合成数据,对话场景限定于呼叫中心坐席与客户之间的交互。长短两个子语料互不通用,使用时需按目标任务选择对应子集;短对话覆盖 5 种语言,长对话不按语言拆分。
许可与署名
数据集以 CC BY-NC 4.0 发布,仅限非商业用途并要求署名,非商业限制具有继承性。
获取方式
访问受控(gated):需登录并同意条款,提交申请后由人工审核。数据源页面为 https://huggingface.co/datasets/moiesmud/griot-duplex-en-longform-v1。