ylacombe/mls-eng-10k-tags

---
dataset_info:
features:
- name: original_path
dtype: string
- name: begin_time
dtype: float64
- name: end_time
dtype: float64
- name: audio_duration
dtype: float64
- name: speaker_id
dtype: string
- name: book_id
dtype: string
- name: utterance_pitch_mean
dtype: float32
- name: utterance_pitch_std
dtype: float32
- name: snr
dtype: float64
- name: c50
dtype: float64
- name: speaking_rate
dtype: float64
- name: phonemes
dtype: string
- name: gender
dtype: string
- name: original_text
dtype: string
- name: text
dtype: string
splits:
- name: dev
num_bytes: 3308658
num_examples: 3807
- name: test
num_bytes: 3290014
num_examples: 3769
- name: train
num_bytes: 2105587656
num_examples: 2420047
download_size: 1333405958
dataset_size: 2112186328
configs:
- config_name: default
data_files:
- split: dev
path: data/dev-*
- split: test
path: data/test-*
- split: train
path: data/train-*
---

数据集信息：
特征项：
- 特征名：原始文件路径（original_path），数据类型：字符串型
- 特征名：起始时间（begin_time），数据类型：64位浮点数类型
- 特征名：结束时间（end_time），数据类型：64位浮点数类型
- 特征名：音频时长（audio_duration），数据类型：64位浮点数类型
- 特征名：说话人ID（speaker_id），数据类型：字符串型
- 特征名：书籍ID（book_id），数据类型：字符串型
- 特征名：语句基频均值（utterance_pitch_mean），数据类型：32位浮点数类型
- 特征名：语句基频标准差（utterance_pitch_std），数据类型：32位浮点数类型
- 特征名：信噪比（snr, Signal-to-Noise Ratio），数据类型：64位浮点数类型
- 特征名：C50语音清晰度指标（c50），数据类型：64位浮点数类型
- 特征名：言语速率（speaking_rate），数据类型：64位浮点数类型
- 特征名：音素序列（phonemes），数据类型：字符串型
- 特征名：性别（gender），数据类型：字符串型
- 特征名：原始文本（original_text），数据类型：字符串型
- 特征名：文本（text），数据类型：字符串型
数据集划分：
- 划分名称：开发集（dev），字节数：3308658，样本数量：3807
- 划分名称：测试集（test），字节数：3290014，样本数量：3769
- 划分名称：训练集（train），字节数：2105587656，样本数量：2420047
下载总大小：1333405958 字节
数据集总大小：2112186328 字节
配置项：
- 配置名称：默认配置（default），数据文件：
- 开发集划分：对应数据文件路径为 data/dev-*
- 测试集划分：对应数据文件路径为 data/test-*
- 训练集划分：对应数据文件路径为 data/train-*

原始信息汇总

数据集概述

数据集特征

• original_path: 数据类型为字符串。
• begin_time: 数据类型为float64。
• end_time: 数据类型为float64。
• audio_duration: 数据类型为float64。
• speaker_id: 数据类型为字符串。
• book_id: 数据类型为字符串。
• utterance_pitch_mean: 数据类型为float32。
• utterance_pitch_std: 数据类型为float32。
• snr: 数据类型为float64。
• c50: 数据类型为float64。
• speaking_rate: 数据类型为float64。
• phonemes: 数据类型为字符串。
• gender: 数据类型为字符串。
• original_text: 数据类型为字符串。
• text: 数据类型为字符串。

数据集分割

• dev: 包含3807个样本，总大小为3308658字节。
• test: 包含3769个样本，总大小为3290014字节。
• train: 包含2420047个样本，总大小为2105587656字节。

数据集大小

• 下载大小: 1333405958字节。
• 数据集总大小: 2112186328字节。

配置文件

• config_name: default
• data_files:
  • dev: 路径为data/dev-*。
  • test: 路径为data/test-*。
  • train: 路径为data/train-*。

搜集汇总

数据集介绍

构建方式

在语音合成与声学分析领域，高质量标注数据是模型性能的基石。ylacombe/mls-eng-10k-tags数据集基于大规模英语语音语料库构建，通过系统化的音频分割与标注流程生成。原始音频文件被切分为以语句为单位的片段，每段记录其起始与结束时间、音频时长及说话人标识。进一步提取了基频均值与标准差、信噪比、混响时间C50及语速等声学特征，并标注了音素序列、性别信息及原始与清洗后的文本内容。数据划分为训练集（约242万条）、开发集（3807条）与测试集（3769条），确保模型评估的可靠性。

特点

该数据集的核心特点在于其多维度的声学与语言学标注体系。每个样本不仅包含文本与说话人元数据，还整合了基频、信噪比、混响时间等精细声学参数，为韵律建模与语音增强研究提供了丰富特征。语速与音素标注结合，可支持音素级对齐分析。性别信息的加入便于探究性别差异对语音特性的影响。整体数据规模庞大，训练集样本量超过242万，覆盖广泛的口音与说话风格，具有较强的泛化潜力。

使用方法

数据集以HuggingFace Datasets库的标准格式存储，支持通过load_dataset函数直接加载。用户可按需调用不同的数据分割（train/dev/test），并利用特征字段如'audio_duration'、'speaker_id'、'utterance_pitch_mean'等进行定制化分析。适用于语音合成、说话人识别、声学特征预测等任务的训练与评估。文本字段'original_text'与'text'分别提供原始与规范化版本，便于文本预处理流程的灵活性。声学特征字段可直接作为模型输入或下游任务的辅助标签。

背景与挑战

背景概述

在语音合成与语音识别领域，高质量、大规模且标注丰富的语料库是推动技术突破的基石。ylacombe/mls-eng-10k-tags数据集由研究人员基于大规模英文语音数据构建，旨在为多维度语音分析提供标准化资源。该数据集创建于近年，核心研究问题聚焦于如何将语音信号中的声学特征（如音高、信噪比、混响时间）、语言学特征（如音素、语速）与说话人属性（如性别）进行系统化整合，以支持端到端模型训练与细粒度语音理解。其影响力体现在为跨任务学习（如说话人识别、情感计算、语音增强）提供了统一的评测基准，尤其填补了面向自然场景下长语音片段结构化标注的空白。通过包含超过240万条训练样本及丰富的元数据字段，该数据集显著促进了语音领域从单一任务向多模态联合建模的范式演进。

当前挑战

该数据集所面临的挑战首先体现在领域问题的复杂性上：语音信号本身具有高度非平稳性，不同说话人的发音习惯、环境噪声与混响特性交织，导致从原始音频中精确提取鲁棒的声学特征（如信噪比和C50混响时间）仍是技术难点。其次，在构建过程中，研究人员需应对海量数据自动标注的可靠性问题——例如，音高标准差与语速的自动计算可能因语音片段边界划分误差而失真，而文本转录与音素序列的对齐精度直接影响下游任务效果。此外，跨设备录音的采样率差异、说话人ID的隐私匿名化处理，以及长音频中静音段与重叠语音的过滤，均对数据清洗与标准化流程提出了严苛要求。这些挑战共同制约着数据集在真实场景下的泛化能力，亟需更精细的标注策略与噪声鲁棒的特征提取方案来突破瓶颈。

常用场景

经典使用场景

ylacombe/mls-eng-10k-tags数据集是面向大规模英语语音研究的珍贵资源，它源自于对约一万小时有声书语音数据的精细标注。这一数据集的经典使用场景在于语音特征分析与文本-语音对齐研究，研究者可借助其中包含的音高、信噪比、语速、混响时间等声学特征，深入探索自然语音的韵律结构与发音规律。该数据集特别适用于训练和评估语音识别模型在多样化声学环境下的鲁棒性，亦为语音合成系统提供了丰富的音素级标注数据，推动多说话人、多风格语音生成的性能突破。

实际应用

在实际应用层面，该数据集为智能语音助手、实时语音转写系统以及辅助沟通工具的关键技术迭代提供了坚实基础。开发者可基于其声学特征训练出对噪声和语速变化更具适应性的语音识别引擎，从而提升在会议记录、车载通讯等复杂场景下的识别准确率。同时，该数据集的音高与韵律特征亦被用于开发更具表现力的文本转语音服务，助力无障碍阅读、虚拟主播及教育类应用中的自然语音交互。

衍生相关工作

围绕ylacombe/mls-eng-10k-tags数据集，学术界涌现了一系列标志性工作。其中，基于该数据集的声学特征预测任务催生了多种语音质量评估模型，实现了对录音环境信噪比与混响时间的端到端估计。此外，利用其说话人嵌入与语速信息，衍生出针对多说话人语音分离与自适应语音合成的经典框架，推动了语音处理系统在开放环境下的泛化能力。这些工作不仅验证了该数据集在语音学与工程学交叉领域的核心价值，也为其后续版本和类似大规模标注数据集的设计提供了方法论参考。