LibriVox 有声书结构化音频镜像数据集
数据集简介
twangodev/librivox-mirror 是 LibriVox 有声书音频的结构化镜像数据集,定位为「快速、结构化、持续更新的 LibriVox 音频镜像」(Fast, structured, continuously updated LibriVox audio mirror),适用于自动语音识别(Automatic Speech Recognition)与语音合成(Text-to-Speech)等任务。数据模态涵盖音频(Audio)、表格(Tabular)与文本(Text),整体规模在 100K–1M 行量级。
Dataset card(数据集说明)
数据集页面提供当前快照(Current snapshot)的统计指标:
| 指标 | 数值 |
|---|---|
| 已出版图书(Published books) | 6,247 |
| 已出版章节(Published sections) | 133,969 |
| 音频时长(Audio hours) | 39,324.5 小时 |
| 音频语言数(Audio languages) | 68 |
| 隔离图书(Quarantined books) | 32 |
数据集由 books 与 sections 等子集组成:books 子集约 20.5k 行,sections 子集约 466k 行。字段体系覆盖音频(audio)、时长(duration_seconds)、图书与章节标识(book_id、section_id、section_number)、标题(title)、语言(language)、朗读者(readers)、哈希分区(hash_partition)、样本键(sample_key)、tar 路径(tar_path)、LibriVox 文件名与收听链接(librivox_file_name、librivox_listen_url)、archive.org 归档标识与文件信息(archive_identifier、archive_file、archive_file_format)、来源 URL 与校验信息(source_url、source_size、source_md5、source_sha1、mirror_sha256),以及 LibriVox 元数据与归档元数据(librivox_metadata、archive_file_metadata)。
Data Studio(数据工作室)
通过 HuggingFace 的 Data Studio 可以在线浏览数据集内容,查看 books 与 sections 子集的行数据,包括音频样本、时长、语言、朗读者与来源链接等字段,便于在下载前核对数据结构与内容质量。
Files and versions(文件与版本)
数据文件以 parquet 格式发布,可在「Files and versions」页面查看文件列表与版本历史。由于数据集持续更新,页面会随最新快照同步刷新。数据采用 cc-by-4.0 许可发布,属于公开数据集,可自由访问、使用与再分发(遵守署名条款)。
Dataset Viewer(数据集查看器)
Dataset Viewer 支持对数据集进行在线检索与预览。加载方式上,数据集兼容 HuggingFace Datasets 库,也可使用 Dask、Polars 等表格处理工具直接读取 parquet 文件,便于大规模数据处理与训练流水线集成。
获取方式
访问数据集主页 https://huggingface.co/datasets/twangodev/librivox-mirror 即可浏览当前快照统计、在线预览数据并下载 parquet 文件;亦可使用 load_dataset("twangodev/librivox-mirror") 等方式在代码中直接加载。