df_eval

df_eval 是一个公开的、仅用于评估的语音深度伪造检测数据集。该数据集以类似 Common Voice 语言配置的方式组织，每个配置对应一个标准的评估协议（如 ASVspoof 2019、ASVspoof 2021 LA、ASVspoof 2024、ADD 2022 Track 1/3、ADD 2023 Round 1/2、Codecfake、DFADD、FakeOrReal、In-the-Wild、LibriSeVoc、SONAR 等），并内嵌了音频文件。数据集仅包含测试（test）分割，用于评估模型在语音反欺骗任务上的性能。数据集的典型样本包含音频波形、标签（bonafide 表示真实语音，spoof 表示伪造语音）、原始文件 ID、配置名称和原始协议路径。数据规模在 100 万到 1000 万样本之间，支持英语和中文。该数据集整合了多个第三方公开语料库的评估音频，使用者需遵守各原始语料库的许可证（通常为研究或非商业用途）。建议引用原始数据集论文以及 Speech DF Arena 的协议定义。df_eval is a public dataset for evaluation of speech deepfake detection only. The dataset is organized in a similar way to Common Voice language configurations, where each configuration corresponds to a standard evaluation protocol (e.g., ASVspoof 2019, ASVspoof 2021 LA, ASVspoof 2024, ADD 2022 Track 1/3, ADD 2023 Round 1/2, Codecfake, DFADD, FakeOrReal, In-the-Wild, LibriSeVoc, SONAR, etc.) and includes embedded audio files. The dataset contains only the test split, used to evaluate model performance on speech anti-spoofing tasks. A typical sample includes audio waveform, label (bonafide for genuine speech, spoof for fake speech), original file ID, configuration name, and original protocol path. The dataset size ranges from 1 million to 10 million samples, supporting English and Chinese. This dataset integrates evaluation audio from multiple third-party public corpora; users must comply with the licenses of each original corpus (usually research or non-commercial use). It is recommended to cite the original dataset papers and the protocol definitions of Speech DF Arena.

原始信息汇总

df_eval 数据集概述

基本信息

• 数据集名称：df_eval
• 数据集类型：音频分类（audio-classification）
• 语言：英语（en）、中文（zh）
• 许可：其他（other），需遵守各上游数据集的原始许可
• 数据规模：1M < n < 10M 条样本
• 仅包含测试集：该数据集为仅评估用的语音深度伪造检测数据集

数据集内容

该数据集整合了多个公开的语音深度伪造检测标准评估协议（如ASVspoof、ADD、In-the-Wild等），每个配置（config）对应一个标准评估协议，并内嵌音频数据。数据集组织方式类似于Common Voice的语言配置结构。

数据配置

数据集包含以下16个配置，每个配置仅提供测试集（test split）：

配置名称	说明
add_2022_track_1	ADD 2022 Track 1
add_2022_track_3	ADD 2022 Track 3
add_2023_round_1	ADD 2023 第一轮
add_2023_round_2	ADD 2023 第二轮
asvspoof_2019	ASVspoof 2019
asvspoof_2021_df	ASVspoof 2021 DF
asvspoof_2021_la	ASVspoof 2021 LA
asvspoof_2024	ASVspoof 2024
codecfake	Codecfake
dfadd	DFADD
fake_or_real	FakeOrReal
in_the_wild	In The Wild
librisevoc	LibriSeVoc
sonar	SONAR
speechfake	SpeechFake
speechfake_en	SpeechFake（英文）

数据模式（Schema）

列名	类型	描述
audio	Audio	音频波形
label	ClassLabel（bonafide, spoof）	真实/伪造标签（ground-truth）
file_id	string	原始文件的基名
source	string	配置名称
path	string	原始协议路径（元数据）

使用方式

可通过Hugging Face的load_dataset加载，例如： python from datasets import load_dataset ds = load_dataset("shuohann/df_eval", name="sonar", split="test")

许可与声明

• 该数据集整合了多个第三方语料库的评估音频，每个上游数据源拥有各自的许可（通常为研究/非商业用途）。
• 用户需自行负责遵守各原始许可证，并建议在需要时优先引用和下载原始作者的数据。
• 上传者不主张对底层音频的所有权。

引用建议

使用任何配置时应引用对应的原始数据集论文，若使用Speech DF Arena的协议定义，也应对其进行引用。