syvai/p1

DR P1音频档案是一个丹麦公共广播（DR）P1频道的音频录音数据集，源自kb.dk DR-arkivet（丹麦皇家图书馆DR档案），覆盖时间范围大约从2006年至2022年。数据集包含音频文件（以Opus编码、24 kbps比特率、单声道格式存储在OGG容器中，从DR的mp3档案转码而来）和丰富的元数据（如标题、类型、开始/结束时间、广播公司等），数据以Parquet分片形式组织，每片约500个项目，支持流式兼容。每行数据代表一个广播项目，内联包含完整的音频字节和从kb.dk Solr索引获取的元数据。数据集适用于自动语音识别和音频分类等任务，原始录音版权归Danmarks Radio所有，通过kb.dk的公共DR-arkivet提供用于研究目的。DR P1 Audio Archive is a dataset of Danish public radio (DR) P1 audio recordings sourced from the kb.dk DR-arkivet (Royal Danish Library DR archive), covering roughly the period from 2006 to 2022. It includes audio files (transcoded from DRs mp3 archive to Opus format at 24 kbps, mono, in OGG container) and rich metadata (such as title, genre, start/end time, broadcaster, etc.), organized in Parquet shards with approximately 500 items each, designed for streaming compatibility. Each row represents one broadcast item with full audio bytes inline and metadata from the kb.dk Solr index. The dataset is suitable for tasks like automatic speech recognition and audio classification, with original recordings copyrighted by Danmarks Radio and made available via kb.dks public DR-arkivet for research purposes.

原始信息汇总

数据集概述：DR P1 Audio Archive

• 数据集名称：DR P1 Audio Archive
• 数据集提供方：syvai
• 任务类型：自动语音识别、音频分类
• 模态：音频、文本
• 数据格式：Parquet
• 语言：丹麦语
• 数据规模：100K - 1M 行（具体为 257,437 行）
• 文件总大小：1.69 TB
• 最近月下载量：3,131

数据来源

音频来自丹麦公共广播公司 DR 的 P1 频道，录音时间范围约为 2006 年至 2022 年。原始数据源于丹麦皇家图书馆的 DR 档案馆（kb.dk DR-arkivet）。

数据格式与结构

• 音频格式：Opus 编码，24 kbps，单声道，封装在 OGG 容器中（由 DR 的 mp3 存档转码而来）
• 数据分片：Parquet 分片，每个分片约包含 500 个条目，使用小行组以支持流式读取
• 可排序字段：year、month、start_time
• 每行结构：包含一个广播条目的完整音频字节以及丰富的元数据（标题、类型、开始/结束时间、广播机构等），元数据来源于 kb.dk Solr 索引

许可证

原始录音版权归 Danmarks Radio 所有。通过 kb.dk 的公共 DR 档案馆提供，仅供研究用途。在重新分发前需查阅 kb.dk 的使用条款。

搜集汇总

数据集介绍

构建方式

该数据集源自丹麦皇家图书馆的DR-arkivet数字档案库，汇集了丹麦公共广播电台DR P1频道自2006年至2022年间播出的音频节目。构建过程中，研究人员通过kb.dk的Solr索引API获取元数据，并利用Kaltura媒体平台的`serveFlavor`接口提取原始MP3音频流，随后将其实时转码为Opus格式（24 kbps，单声道，封装于OGG容器中）。最终数据以Parquet分片形式存储，每个分片约含500条记录，并设计为小行组结构以支持流式读取，从而实现了大规模音频数据的高效管理与检索。

特点

该数据集的核心优势在于其丰富的音频内容与详尽的元数据标注的有机结合。每条记录不仅包含完整的音频字节流，还附带了来自Solr索引的多元信息，如节目标题、开播与结束时间、播音员、创建者所属机构、体裁及其子类、标签序列等。数据按年份、月份和起始时间进行排序，便于用户按时间维度筛选与分析。音频采样率为48 kHz，确保了高质量的声学特性，适用于自动语音识别与音频分类等任务。

使用方法

用户可通过Hugging Face Datasets库直接加载该数据集，指定`config_name`为`default`即可访问训练集分片。加载后的数据以字典形式呈现，其中`audio`字段为48 kHz采样率的音频数据，可直接输入至深度学习模型。此外，用户可依据`year`、`month`和`start_time`字段对数据项进行排序与过滤，实现特定时间段或节目类型的精细化分析。该数据集专为研究目的设计，在遵守Danmarks Radio版权条款的前提下，支持语音识别、音频事件检测及丹麦广播文化研究等学术探索。

背景与挑战

背景概述

丹麦公共广播电台（DR）P1音频档案数据集，由丹麦皇家图书馆（Royal Danish Library）于近年整理并公开发布，旨在为自动语音识别（ASR）与音频分类等研究领域提供高质量、长时段的丹麦语音频资源。该数据集涵盖2006年至2022年间DR P1频道的广播录音，包含超过10万条音频条目，每条均附有详尽的元数据（如标题、节目类型、起始时间、播音员信息等）。作为斯堪的纳维亚语系中稀缺的公开语音数据集，它为北欧语言信息处理、广播内容分析及文化遗产数字化研究提供了宝贵的基准资源，显著推动了低资源语言语音技术的进步。

当前挑战

该数据集所应对的核心领域挑战在于丹麦语语音资源的极度匮乏，尤其是大规模、多样化的广播音频数据难以获取，导致语音识别系统在方言、口音及实时播报场景下泛化能力不足。构建过程中，团队需处理来自不同年代的录音格式（DR原始MP3归档）向统一Opus编码（24 kbps, 单声道）的高保真转码，同时确保每段音频与Solr索引元数据的精准对齐，避免时间戳错位或元数据缺失。此外，版权限制（Danmarks Radio所有）要求数据仅限研究用途，分发协议需严格遵循丹麦皇家图书馆的使用条款，增加了共享与复用的复杂性。

常用场景

经典使用场景

丹麦公共广播电台DR P1音频档案集，汇聚了2006年至2022年间长达十余年的广播节目录音，是北欧语种语音与音频研究领域不可多得的宝贵资源。该数据集最常见的应用场景聚焦于自动语音识别（ASR）与音频分类任务，研究者可利用其丰富的元数据（如类型、播出时间、广播员等）对海量丹麦语语音信号进行精细化标注与模型训练，有力推动低资源语言语音技术的边界拓展。

解决学术问题

在学术层面，该数据集有效缓解了丹麦语等小语种语音研究长期面临的数据匮乏困境，为跨语种迁移学习、低资源ASR系统构建提供了规模达数十万条的真实场景语音样本。基于其精细的时间戳与体裁分类信息，学者能够深入探究广播语音中的语种特异性声学模式、语速变化及背景噪声鲁棒性问题，从而推动多任务联合建模与无监督预训练方法的理论创新。

衍生相关工作

该数据集衍生出的经典工作包括：基于丹麦语广播语音的跨域自监督学习基线模型、融合时间元数据的语音事件检测框架，以及面向斯堪的纳维亚语系的低资源语音识别Benchmark。这些工作不仅验证了广播档案在学术研究中的可复用价值，更催生了从语音信号中提取高层语义、风格与叙事结构的创新方法，为多语言语音理解领域的持续演进奠定了实证基础。