ivan_ptashnikau_output

该数据集名为Зборнік — Іван Пташнікаў，是Ministerskija收藏的一部分，专门用于白俄罗斯语自动语音识别任务。它是一个经过严格对齐的白俄罗斯语有声读物音频及其文本转录数据集，作者为Іван Пташнікаў。数据集包含总计1,068条记录，其中在HuggingFace平台上公开发布了892条。音频内容总时长约为2小时8分钟。每条数据记录由三个核心字段构成：audio字段存储时长约15秒的音频片段；text字段存储对应的白俄罗斯语文本转录；chunk_uid字段是每个片段的唯一标识符。数据集的构建经过了精细的处理流程：原始有声读物音频被分割成短片段，然后利用Gemini工具结合两个独立的自动语音识别系统进行音频与文本的对齐处理，并确保所有收录数据的对齐置信度不低于0.95。该数据集适用于训练或评估白俄罗斯语的自动语音识别模型，尤其适用于有声读物领域的语音研究。The dataset is named Зборнік — Іван Пташнікаў and is part of the Ministerskija collection, focusing on Belarusian automatic speech recognition tasks. It is a rigorously aligned dataset of Belarusian audiobook audio and its text transcriptions, authored by Іван Пташнікаў. The dataset contains a total of 1,068 records, with 892 publicly released on the HuggingFace platform. The total audio duration is approximately 2 hours and 8 minutes. Each data record consists of three core fields: the audio field stores audio segments of about 15 seconds in duration; the text field stores the corresponding Belarusian text transcription; and the chunk_uid field is a unique identifier for each segment. The dataset construction involved a meticulous processing pipeline: the original audiobook audio was split into short segments, then aligned with text using the Gemini tool combined with two independent automatic speech recognition systems, ensuring an alignment confidence of at least 0.95 for all included data. This dataset is suitable for training or evaluating Belarusian automatic speech recognition models, particularly for speech research in the audiobook domain.

原始信息汇总

数据集概述

• 数据集名称: Зборнік — Іван Пташнікаў
• 语言: 白俄罗斯语 (be)
• 许可证: CC0-1.0
• 任务类别: 自动语音识别 (automatic-speech-recognition)
• 标签: audiobook, belarusian, speech, asr, aligned, speaker_01
• 大小类别: 1K < n < 10K

数据集规模

指标	数值
已发布行数 (HF)	892
数据库总数	1,068
音频总时长	2小时08分钟
置信度阈值	≥ 0.95

数据结构

每一行包含：

• audio — 音频片段（约15秒）
• text — 转录文本（由 Gemini 和 ASR 对齐生成）
• chunk_uid — 片段的唯一标识符

数据处理

音频书被分割成短片段，并通过 Gemini 和两个独立的 ASR 系统与转录文本对齐。对齐置信度 ≥ 0.95。

说话人信息

指标	数值
聚类	speaker_01
平均相似度评分	0.923
最接近的数据集	stefan_tsvei_g_nyabachnaya_kalektsyya_output (0.96)

说话人由 WavLM-Base+ 模型（余弦相似度，阈值=0.82）识别。

所属合集

该数据集是 Ministerskija 合集的一部分，该合集包含对齐的白俄罗斯语音频书录音与转录文本。

搜集汇总

数据集介绍

构建方式

该数据集基于白俄罗斯语有声读物《Зборнік》构建，由音频片段与对应文本转录组成。原始有声读物被分割成约15秒的短片段，随后借助Gemini模型与两套独立ASR系统进行对齐处理，仅保留置信度不低于0.95的对齐结果，最终收录892条经过验证的音频-文本对，总时长达2小时8分钟。每条数据包含音频文件、文本转录及唯一片段标识符，确保数据可追溯与可复现。

特点

数据集以高精度对齐为核心特点，采用双ASR系统与语言模型联合校验机制，将对齐置信度阈值设定为0.95，有效过滤低质量匹配。所有音频均来自同一说话人（speaker_01），声纹相似度平均达0.923，经WavLM-Base+模型验证，保证了说话人一致性。作为Ministerskija收藏的一部分，该数据集专注于白俄罗斯语语音识别领域，为低资源语言ASR研究提供了规范化的数据支撑。

使用方法

数据集适用于白俄罗斯语自动语音识别（ASR）模型的训练与评估。用户可通过HuggingFace datasets库直接加载，每行数据包含audio字段（音频片段）与text字段（对应转录文本）。建议在加载时指定音频采样率，并利用chunk_uid字段进行数据片段索引。该数据集可与同系列其他说话人数据集联合使用，以增强模型对多说话人风格的泛化能力。

背景与挑战

背景概述

该数据集创建于2024年，由研究者fosters及其团队在Ministerskija项目框架下构建，聚焦于白俄罗斯语自动语音识别（ASR）任务。作为低资源语言的白俄罗斯语，其高质量语音-文本对齐资源长期匮乏，该数据集通过处理伊万·普塔什尼科夫（Іван Пташнікаў）的有声读物，提供了约2小时08分钟的音频片段与转录文本，填补了该语言在语音识别领域的空白。其影响力体现在为白俄罗斯语ASR模型训练提供了标准化基准，并推动了低资源语言语音技术的民主化进程。

当前挑战

该数据集面临的核心挑战是低资源语言场景下的数据稀疏性与对齐精度。白俄罗斯语语料库有限，导致模型泛化能力不足；同时，构建过程中需解决音频与文本的精准对齐难题，尽管采用Gemini与双ASR系统联合校准，置信度阈值≥0.95仍可能遗漏有效片段。此外，数据来源仅单一朗读者，限制了声学多样性，且跨数据集一致性评估（如与stefan_tsvei_g_nyabachnaya_kalektsyya_output的相似度0.96）揭示了说话人特征耦合风险，可能影响下游ASR的鲁棒性。

常用场景

经典使用场景

在白俄罗斯语自动语音识别（ASR）领域，该数据集被广泛用于训练和评估低资源语言的声学模型。数据集提供了约2小时08分钟的语音片段，每段时长约15秒，并配有精确对齐的文本转录，特别适合构建基于神经网络的端到端语音识别系统。研究者常利用其高置信度对齐（阈值≥0.95）特性，开展跨说话人泛化能力测试或数据增强实验。此外，该资源与同系列白俄罗斯语有声书数据集形成互补，为多源语料融合训练提供了基准。

衍生相关工作

受该数据集启发，学术界涌现出多项相关工作。最具代表性的是同属Ministerskija收藏集的姐妹数据集（如stefan_tsvei_g_nyabachnaya_kalektsyya_output），它们基于相同对齐流水线拓展了说话人与文学体裁多样性。技术衍生方面，WavLM-Base+模型被用于说话人聚类分析（阈值0.82），推动了在白俄罗斯语语音上的无监督说话人识别研究。该方法论还被迁移至乌克兰语、立陶宛语等周边低资源语言的语音数据集构建，形成了“有声书+多系统对齐”的标准化数据生产范式。

数据集最近研究

最新研究方向

在白俄罗斯语自动语音识别（ASR）领域，该数据集聚焦于稀缺语种的高精度声学-文本对齐研究。依托Gemini大模型与双ASR系统的交叉验证策略，数据集以≥0.95的置信度阈值实现音频片段与转录的精细匹配，为低资源语言的多模态对齐技术树立了新标杆。其与WavLM-Base+说话人嵌入模型的结合，不仅揭示了同一朗读者跨语料库的声学相似性（平均相似度0.923），更推动了说话人无关的鲁棒ASR系统在少数民族语言中的应用。这一方向与当前多语种保护、语音文化遗产数字化的全球热点紧密相连，为白俄罗斯语等边缘语言的交互式语音技术发展提供了可复现的基础设施，并有望撬动更大规模的跨语言对齐研究。