ivan_shamyakin_tryvozhnae_shchastse_output

该数据集是白俄罗斯作家伊万·沙米亚金的作品《Трывожнае шчасце》的有声读物对齐数据集，属于Ministerskija收藏的一部分。它包含白俄罗斯语有声读物的音频记录与相应转录文本的精确对齐。数据规模方面，HuggingFace平台上发布了6,523条记录，总数据库包含8,948条数据，音频总时长为30小时45分钟，所有数据均经过严格对齐处理，置信度阈值≥0.95。每条数据记录包含三个字段：audio字段为约15秒的音频片段；text字段为对应的转录文本，通过Gemini和自动语音识别系统进行对齐处理；chunk_uid字段为每个片段的唯一标识符。该数据集适用于自动语音识别任务，特别是白俄罗斯语语音识别模型的训练与评估。

This dataset is an aligned audiobook dataset for the work Трывожнае шчасце by Belarusian author Ivan Shamyakin, part of the Ministerskija collection. It contains precise alignments between audio recordings of Belarusian audiobooks and their corresponding transcriptions. In terms of scale, 6,523 records are released on the HuggingFace platform, with the total database comprising 8,948 entries and an audio duration of 30 hours and 45 minutes. All data has been strictly aligned with a confidence threshold of ≥0.95. Each data record includes three fields: the audio field contains approximately 15-second audio clips; the text field contains the corresponding transcribed text, aligned using Gemini and an automatic speech recognition system; and the chunk_uid field serves as a unique identifier for each clip. This dataset is suitable for automatic speech recognition tasks, particularly for training and evaluating Belarusian speech recognition models.

原始信息汇总

数据集名称

Трывожнае шчасце — Іван Шамякін

语言

白俄罗斯语（be）

许可证

CC0-1.0（公共领域）

任务类型

自动语音识别（Automatic Speech Recognition, ASR）

标签

• 有声书（audiobook）
• 白俄罗斯语（belarusian）
• 语音（speech）
• 语音识别（asr）
• 对齐文本（aligned）
• 说话人_02（speaker_02）

数据集大小

1,000 < 样本数 < 10,000

数据集规模

• 已发布行数（Hugging Face）： 6,523
• 数据库总行数： 8,948
• 音频总时长： 30小时45分钟
• 置信度阈值： ≥ 0.95

数据集结构

每行包含三个字段：

• audio：音频片段（约15秒）
• text：转录文本（由Gemini与ASR对齐生成）
• chunk_uid：片段唯一标识符

数据处理

• 有声书被分割为短片段，并通过Gemini和两套独立ASR系统对齐转录文本。
• 对齐置信度 ≥ 0.95。

说话人信息

• 聚类标签： speaker_02
• 平均相似度评分： 0.923
• 最近邻数据集： ivan_shamyakin_sertsa_na_daloni_output（相似度：0.98）
• 识别模型： WavLM-Base+（余弦相似度，阈值0.82）

所属集合

本数据集是 Ministerskija 集合 的一部分，该集合包含对齐的白俄罗斯语有声书音频与转录文本。

搜集汇总

数据集介绍

构建方式

该数据集源于白俄罗斯作家伊万·沙米亚金（Іван Шамякін）的作品《Трывожнае шчасце》（焦虑的幸福），属于Ministerskija有声书集合的一部分。构建过程中，原始长篇音频被分割为时长约15秒的短片段，随后借助Gemini模型与两套独立的自动语音识别（ASR）系统进行转录对齐，最终筛选出对齐置信度不低于0.95的高质量片段，确保了文本与音频的精准匹配。

特点

数据集共收录8,948个录音片段，其中6,523条已公开发布于HuggingFace平台，总音频时长约30小时45分钟。每条数据包含音频文件、对应转录文本及唯一标识符。数据集中所有音频均由标注为speaker_02的同一朗读者录制，采用WavLM-Base+模型进行说话人相似度评估，平均相似度高达0.923，保证了声学特征的高度一致性。最邻近数据集为同一作者的另一部作品，相似度达到0.98，进一步增强了语料的连贯性。

使用方法

该数据集主要面向白俄罗斯语的自动语音识别（ASR）任务。用户可直接加载HuggingFace数据集仓库中的音频与文本字段，用于训练或评估端到端语音识别模型。由于所有音频片段均已与转录文本严格对齐，且置信度较高，适合作为细粒度语音识别的训练基准。此外，speaker_02的固定说话人身份使得数据集亦可应用于说话人识别或多任务学习场景中的数据增强。

背景与挑战

背景概述

在白俄罗斯语自然语言处理领域，语音资源的匮乏长期制约着相关技术的发展，尤其是高质量、带有精确时间对齐转录的语音数据集更是稀缺。在此背景下，由研究人员构建的“Трывожнае шчасце — Іван Шамякін”数据集应运而生。该数据集于近期发布，源自白俄罗斯文学经典作品的有声书，由特定朗读者（speaker_02）录制，是Ministerskija收藏集的重要组成部分。其核心研究问题在于为白俄罗斯语的自动语音识别（ASR）系统提供经过对齐的高可信度训练数据，包含约30小时45分钟音频和近9000条对齐片段。数据集通过利用Gemini模型与双ASR系统进行精细对齐，置信度阈值设定为≥0.95，有效提升了数据质量。该资源对于推动低资源语言——白俄罗斯语的语音技术发展具有重要价值，为后续的说话人识别、语音合成以及跨语种模型迁移提供了基础支撑。

当前挑战

该数据集所应对的领域挑战在于白俄罗斯语ASR任务中高质量训练数据的严重不足，尤其是有声书场景下长音频的精确文本对齐与噪声控制问题。由于白俄罗斯语属于低资源语言，现有语音模型在语种适配和口音鲁棒性上存在显著短板，而该数据集通过高置信度对齐策略为模型训练提供了可靠基准。在构建过程中，主要挑战包括：首先，长时音频的精准分割，需在保证语义完整性的前提下将长达30余小时的录音切分为约15秒的片段，同时避免断句错误导致的对齐偏差；其次，多系统协同标注的难度，借助Gemini与两套独立ASR系统实现跨模型一致性校验，并设定≥0.95的置信度阈值来筛选高精度样本，这要求在计算资源与标注效率间取得平衡；最后，说话人一致性验证，通过WavLM-Base+模型进行说话人聚类与相似度评估（平均相似度0.923），确保了数据集中语音源的纯正性，但该过程对模型噪声敏感度提出了额外要求。

常用场景

经典使用场景

在白俄罗斯语语音研究领域，该数据集作为一部经过精确对齐的语音-文本资源，最经典的使用场景是服务于自动语音识别（ASR）模型的训练与评估。其精心处理的音频片段（约15秒）与高置信度（≥0.95）转录文本相对应，为构建和优化白俄罗斯语ASR系统提供了可靠且标准化的数据基础，尤其适合研究低资源语言的语音识别技术。

解决学术问题

该数据集主要解决了白俄罗斯语这一低资源语言在语音技术研究中长期面临的数据匮乏与对齐精度不足的学术难题。通过提供大量经过双重ASR系统验证及大语言模型精调的音频-文本对齐数据，它使得研究者能够有效训练出更鲁棒的语音识别模型，从而推动白俄罗斯语自然语言处理技术的实质性进展，并为其与其他斯拉夫语言的对比研究创造了条件。

衍生相关工作

该数据集作为Ministerskija集合的重要组成部分，衍生出的相关工作主要集中在跨说话人与跨数据集的语音特征分析上。研究者利用其精确的说话人聚类信息（speaker_02）和相似度评估结果，开展了基于WavLM-Base+等模型的说话人验证与识别研究。此外，它与其他白俄罗斯语音数据集（如ivan_shamyakin_sertsa_na_daloni_output）的对比分析，也催生了针对单一说话人长音频自动化分割与对齐流水线的改进工作。