liepa3

LIEPA-3立陶宛语语音语料库是一个用于自动语音识别和文本到语音任务的开源数据集，以立陶宛语（语言代码：lt）为主要内容，采用CC BY 4.0许可证发布。当前版本提供名为read的配置，包含朗读语音示例，数据以Parquet格式存储（路径：data/read/train-*.parquet）。每个样本包含多个特征字段：唯一标识符（id）、音频数据（audio，采样率为44100Hz）或音频路径（audio_path）、原始文本（text）、归一化文本（normalized_text）、部分标识（part）、数据分割（split）、来源信息（source和source_label）、语音类型（speech_type和speech_type_label）、说话人ID（speaker_id）、地理信息（county和region）、说话人人口统计信息（gender和age_group）、文本网格路径（textgrid_path）、话语JSON（utterances_json）、单词数量（num_words）、音频字节大小（audio_nbytes）以及许可证信息（license）。该数据集旨在为立陶宛语语音处理研究提供高质量的标注数据，适用于模型训练和评估。注意：当前发布为增量上传的临时版本，完整数据集卡片将在后续转换完成后更新。The LIEPA-3 Lithuanian Speech Corpus is an open-source dataset for automatic speech recognition and text-to-speech tasks, primarily in Lithuanian (language code: lt) and released under the CC BY 4.0 license. The current version provides a configuration named read containing read speech examples, with data stored in Parquet format (path: data/read/train-*.parquet). Each sample includes multiple feature fields: unique identifier (id), audio data (audio, with a sampling rate of 44100Hz) or audio path (audio_path), raw text (text), normalized text (normalized_text), part identifier (part), data split (split), source information (source and source_label), speech type (speech_type and speech_type_label), speaker ID (speaker_id), geographic information (county and region), speaker demographic information (gender and age_group), text grid path (textgrid_path), utterances JSON (utterances_json), word count (num_words), audio byte size (audio_nbytes), and license information (license). This dataset aims to provide high-quality annotated data for Lithuanian speech processing research, suitable for model training and evaluation. Note: The current release is a temporary version with incremental uploads, and the complete dataset card will be updated after subsequent conversion.

原始信息汇总

数据集名称

LIEPA-3 Lithuanian Speech Corpus

许可证

Creative Commons Attribution 4.0 International (CC-BY-4.0)

语言

立陶宛语 (lt)

任务类别

• 自动语音识别 (automatic-speech-recognition)
• 文本转语音 (text-to-speech)

配置

当前仅发布了一个配置：

• 配置名称: read
• 数据文件: data/read/train-*.parquet（从 Hugging Face 数据集存储库中加载）

数据集特征

每条样本包含以下字段：

• id (字符串): 样本唯一标识符
• audio (音频, 采样率 44100 Hz): 音频数据
• audio_path (字符串): 音频文件路径
• text (字符串): 原始转录文本
• normalized_text (字符串): 归一化后的转录文本
• part (字符串): 所属部分
• split (字符串): 数据划分（如训练集）
• source (字符串): 数据来源
• source_label (字符串): 来源标签
• speech_type (字符串): 语音类型
• speech_type_label (字符串): 语音类型标签
• speaker_id (字符串): 说话人ID
• county (字符串): 县
• region (字符串): 地区
• gender (字符串): 性别
• age_group (字符串): 年龄组
• textgrid_path (字符串): TextGrid 文件路径（可能用于对齐）
• utterances_json (字符串): 话语的 JSON 数据
• num_words (int32): 单词数量
• audio_nbytes (int64): 音频字节数
• license (字符串): 许可证信息

说明

• 该数据集为立陶宛语语音语料库，当前为增量上传的临时版本，完整的数据集卡片将在转换完成后更新，并增加更多训练就绪的配置。
• 每行包含归一化的转录文本、音频字节/路径，以及可用的说话人/来源元数据。

搜集汇总

数据集介绍

构建方式

LIEPA-3立陶宛语语音语料库（liepa3）是基于立陶宛语自然口语与朗读语音构建的高质量数据集。该数据集以增量方式发布，当前开放的配置为“read”类别，所有训练样本以Parquet格式存储于`data/read/train-*.parquet`文件中。每条记录包含唯一标识符、以44.1kHz采样率存储的音频数据及其路径、原始文本与归一化文本、语音类型及来源标签，同时附带细致的说话人元数据（如性别、年龄组、所属县区与地域），以及TextGrid标注路径和词级对齐信息。构建过程强调多维度元数据与音频文本的对齐，旨在为立陶宛语的自动语音识别与文本转语音任务提供标准化训练资源。

特点

该数据集的核心特色在于其精细的层次化标注与丰富的说话人覆盖。音频以高采样率存储，并同时提供原始文本与归一化文本，便于模型处理拼写变异与发音一致性。元数据维度涵盖说话人的地理分布、性别、年龄段及语音类型（如朗读与自发），从而支持地域方言与人口统计学特征的建模。此外，数据集内置了词数统计与音频字节数，以及JSON格式的发音片段信息，方便研究人员进行细粒度的语音单位分析。所有样本均遵循CC-BY-4.0许可协议，确保了学术和商业使用的合规性。

使用方法

使用liepa3数据集时，研究者可通过Hugging Face的`datasets`库加载“read”配置，利用`load_dataset`函数指定路径为`liepa3`并选择`config_name='read'`。数据读取后，自动包含音频张量、采样率及文本字段，可直接用于语音识别模型的训练或评估。由于数据集当前仅发布训练拆分，开发人员可按需分割数据以构建验证与测试集。丰富的元数据字段（如`speaker_id`、`gender`、`region`）可用于条件式语音合成或多任务学习，而`normalized_text`字段可在预处理中作为标准转录目标。

背景与挑战

背景概述

在自动语音识别与文本转语音领域，高质量、多语言覆盖的语料库是推动技术进步的基石。立陶宛语作为波罗的海语系仅存的活语言之一，其语音资源长期匮乏，制约了相关技术在低资源语言环境中的发展。LIEPA-3立陶宛语音语料库（LIEPA-3 Lithuanian Speech Corpus）于近期由立陶宛研究机构发布，旨在构建大规模、结构化、带丰富元数据的语音数据集，核心研究问题围绕立陶宛语的端到端语音处理系统开发。该数据集以44.1kHz采样率收录朗读语音，包含规范化文本、说话人地域、性别、年龄组等多维标注，为低资源语言的语音识别与合成任务提供了标准化的训练与评估基准，对立陶宛语自然语言处理乃至波罗的海地区语言技术生态具有重要的推动作用。

当前挑战

LIEPA-3数据集面临的核心挑战包括：一是低资源语言的典型困境，即立陶宛语音数据收集成本高昂且标注精度要求严格，尤其是针对方言变体、韵律特征和罕见发音模式的规范化文本对齐，传统数据增强方法难以弥补数据量的不足；二是构建过程中需解决语音信号的跨渠道差异问题，语料来源于多个说话人及不同录音环境，音频在采样率一致性、信噪比与背景噪声控制上存在偏差，需设计鲁棒的预处理管道；三是元数据标注的复杂性，如行政区划、年龄组与说话风格标签的客观划分缺乏统一标准，可能导致模型对说话人特征的泛化能力受限，进而影响语音识别系统在实际场景中的性能稳定性。

常用场景

经典使用场景

LIEPA-3立陶宛语音语料库的核心应用场景集中于自动语音识别与语音合成两大任务。在语音识别领域，该数据集提供了高保真度（44.1kHz采样率）的朗读语音及其对应的规范化文本，可有效训练声学模型与语言模型，尤其适用于低资源语种的语音识别系统开发。在语音合成方面，丰富的说话人元数据（如性别、年龄组、地域信息）为构建多风格、多口音的文本转语音系统奠定了数据基础，助力生成更具自然度和多样性的合成语音。

实际应用

在实际应用中，LIEPA-3可赋能立陶宛语智能交互系统的开发，例如为银行、政务热线等场景提供高精度的语音转文字服务。其多维度元数据还适用于定制化语音助手，如根据用户年龄或地域调整语音交互风格。此外，该数据集在辅助教育领域也展现出潜力，可用于开发帮助听障人士理解语音的实时字幕工具，或为语言学习者提供标准发音示范。数据集的CC-BY-4.0许可协议进一步降低了商业使用门槛，促进产学研协同创新。

衍生相关工作

基于LIEPA-3这一基础资源，学术界已衍生出一系列经典工作。研究者利用该数据集训练了面向立陶宛语的端到端语音识别模型，探索了基于Transformer架构的声学建模方法。在语音合成领域，相关工作聚焦于说话人自适应与多风格韵律生成，借助数据集中的年龄与地域标签实现了更具表现力的合成语音。此外，部分工作将此语料库作为跨语种迁移学习的评测基准，验证了多任务学习框架在立陶宛语与周边语种间的可迁移性，推动了低资源语音处理范式的演进。