quran-alignment-benchmark

一个用于评估《古兰经》诵读音频与文本对齐系统的公共基准数据集，包含音频、逐词真实标签和描述性列。A public benchmark dataset for evaluating audio-text alignment systems for Quran recitations, which comprises audio recordings, word-level ground truth labels, and descriptive columns.

原始信息汇总

Quran Recitation Alignment Benchmark

概述

这是一个用于评估将《古兰经》诵读音频对齐到文本的系统的公开基准。给定一段录音，系统产生带时间戳的分段，每段标注其中所诵读的确切词语。基准将这些标注与逐词的真值进行评分，并在排行榜上发布结果。

• 语料库：Hugging Face Hub 上的 hetchyy/quran-alignment-benchmark（音频、真值、描述性列）
• 评分器：本仓库，通过 git tag 安装（包与 CLI 名称 qab）
• 规范：docs/SPEC.md · 语料库说明：docs/CORPUS.md
• 排行榜：https://huggingface.co/spaces/hetchyy/quran-alignment-leaderboard

任务

输入：任意长度、任意诵读者、任意风格的诵读录音。可能包含重复的词和经文、长停顿、开场公式（Istiadha、Basmala）以及非古兰经语音。

输出：有序的分段列表。每个分段是一个时间范围和对其所诵读内容的声明：

• 词跨度，如 2:5:1-2:6:3（第2章第5节第1词至第6节第3词），始终在同一章内且按阅读顺序；
• Basmala 或 Istiadha；
• null，表示非古兰经音频。

分段大小任意。基准评分仅统计 Clean segments（每分段），并与 Words / segment 并列阅读。

传述（Riwayah）：v1 仅限 Hafs ʿan ʿĀṣim。每条录音带有 riwayah 列，以便其他读法日后加入。

适用对象

• 构建或改进系统的开发者：固定语料库、固定评分器、共享比较词汇。
• 选择系统的终端用户：需要将诵读音频与文本对应，并想知道该信任哪个系统。
  • 字幕视频：每个分段成为一条字幕。
  • 播放器与应用：定位到经文、隔离经文、循环段落。
• 其他用途：背诵与 Tajweed 工具、可搜索的诵读档案、数据集构建、研究、从其他音频中分离古兰经语音。

评分机制

每条录音的真值是词级时间轴：每个诵读的词按诵读顺序及其开始和结束时间。若诵读者重复诵读某节，则时间轴中包含两次。

对每个提交分段，基准收集其中点落入其时间范围内的诵读词，并与分段声明的词进行比较：

• 声明的词未在范围内诵读：丢失这些词。
• 范围包含未声明的诵读词：这些词未被计入。
• 分段跨越重复但只声明单段文本：仅计入一部分。

词数不依赖分段大小。开场公式（Basmala、Istiadha）在单独报告中评分，不计入主要词数。null 分段被接受并报告。

完整规则见 docs/SPEC.md。

排行榜

除注明外，分数为 0 到 1 的比率；除注明外越高越好。排行榜值在整个语料库上汇总。

• Words F1（找到与正确的平衡）：主要指标。结合 Words found 与 Words correct。
• Clean segments（零错误分段比例）：分段范围恰好包含其声明的词且完全覆盖：无缺失、无多余、无内部非古兰经语音、内侧边缘在词边缘半秒内、外侧静音不超过 2 秒、进入相邻词不超过半秒。
• Repeats F1（捕获与真实的平衡）：重复指诵读者回退重诵。结合 Repeats caught 与 Repeats real。
• Words / segment（粒度）：每分段平均声明词数，非评分，供上下文。
• RTF（每秒音频处理时间，可选，越低越好）：自报，分别显示 cpu 和 gpu。
• Trusted coverage 与 Unsafe green（消费者信心，可选）：每古兰经跨度分段评分一次。≥0.80 为绿色，≥0.60 且 <0.80 为琥珀色，<0.60 为红色。

语料库内容 (v1)

16 条录音，357 分钟，18,421 个诵读词，213 个重复事件，Hafs ʿan ʿĀṣim。四种风格，单章与多章，清晰与降质录制，密集重复，成人与儿童声音，公式与非古兰经语音。

id	诵读者	风格	内容	噪声	段落	分钟	词数	wpm	重复
luhaidan-fatir	Muhammad Al-Luhaidan	murattal	quran_only	是	Faatir	18.2	898	50	27
luhaidan-haqqah	Muhammad Al-Luhaidan	murattal	quran_only	是	Al-Haaqqa 25-37	2.4	96	41	13
luhaidan-qiyamah	Muhammad Al-Luhaidan	murattal	quran_only	是	Al-Qiyaama (+ Fatiha)	4.0	189	50	0
jaber-inshiqaq	Ali Jaber	murattal	quran_only		Al-Inshiqaaq	2.1	107	58	0
jaber-nisa	Ali Jaber	hadr	quran_only		An-Nisaa 100-102	1.0	116	121	0
afasy-baqarah	Mishary Al-Afasy	hadr	quran_only		Al-Baqara	79.9	6186	78	28
mandour-taha	Ahmed Mandour	murattal	quran_only	是	Taa-Haa 1-98	21.4	1066	51	31
ayyub-juz-amma	Muhammad Ayyub	murattal	quran_only		Juz Amma	57.9	2354	46	13
badri-juz-tabarak	Abdul Qadir Badri	hadr	quran_only		Juz Tabarak	24.2	2661	114	0
abdulbasit-raad	Abdul Basit Abdul Samad	mujawwad	quran_only		Ar-Rad	38.1	869	28	3
diban-sad	Ahmed Diban	hadr	quran_only		Saad	4.4	736	170	1
husary-fath	Mahmoud Khalil Al-Husary	mujawwad	quran_only		Al-Fath	24.8	584	30	7
prayer-baqarah-yasin	Adil Yusuf	murattal	prayer		Al-Baqara 285-286, Yaseen 77-83	12.5	209	42	4
witr-muawwidhat	Mishary Al-Afasy	murattal	prayer		Al-Ikhlaas, Al-Falaq, An-Naas	11.9	133	44	0
taraweeh-maryam	Ibrahim Idris	murattal	prayer		Maryam 12-57, Al-Furqaan 61-77, An-Naba 1-40, Al-Aadiyaat, Al-Qadr, Al-Maaun	34.4	1099	44	14
minshawi-luqman	Muhammad Siddiq Al-Minshawi	muallim	quran_only	是	Luqman	19.3	1118	58	72

列含义、真值生产方式及 v1 未覆盖内容见 docs/CORPUS.md。

提交格式

每条录音一个 JSON 文件，命名为 <id>.json，外加一个 submission.json 包含元数据。

json { "schema_version": 1, "case_id": "jaber-inshiqaq", "runtime_seconds": 3.2, "segments": [ { "start_s": 0.98, "end_s": 4.84, "reference": "Basmala" }, { "start_s": 5.78, "end_s": 22.30, "reference": "84:1:1-84:5:3", "confidence": 0.97 }, { "start_s": 23.42, "end_s": 33.12, "reference": "84:6:1-84:6:8", "confidence": 0.99 }, { "start_s": 34.20, "end_s": 44.33, "reference": "84:7:1-84:8:4", "confidence": 0.91 }, { "start_s": 45.00, "end_s": 47.10, "reference": null }, { "start_s": 47.50, "end_s": 52.53, "reference": "84:6:1-84:7:4", "confidence": 0.91 } ] }

最后一段声明了前面两段已声明的词：这是提交标记重复的方式。

字段	含义
case_id	语料库中的录音 id。
segments	按 start_s 排序。连续分段最多可重叠 0.5 秒。
reference	同一章内按阅读顺序的词跨度 S:A:W-S:A:W；或 Basmala；或 Istiadha；或 null。
confidence	可选。系统评分，0 到 1，表示该分段按提供内容使用的安全性。绿色 ≥0.80，琥珀色 ≥0.60 且 <0.80，红色 <0.60。
runtime_seconds	可选。此录音的总处理时间。

跨度始终完整写为 surah:ayah:word-surah:ayah:word，词在每个节内从 1 编号。单词为 2:5:1-2:5:1。验证器拒绝整节或裸词简写。

在 Hafs 中，al-Fatiha 的 1:1 节即 Basmala。开场 Basmala 可在任意位置作为 Basmala 或 1:1:1-1:1:4 提交；两者评分相同。

submission.json：

json { "system": "example-aligner", "version": "1.4.0", "hardware_class": "gpu", "hardware": "1x NVIDIA L40S, 8 vCPU", "contact": "[e-mail]", "url": "https://example.org/aligner" }

报告运行时间时 hardware_class（cpu | gpu）为必填。

本地运行与评分

bash pip install "qab[corpus] @ git+https://github.com/Hetchy/quran-alignment-benchmark@v0.2.1"

qab fetch --corpus v1 --out corpus/ # <id>.mp3 and <id>.json (the ground truth) per recording

run your system over corpus/*.mp3 and write submissions/<id>.json

qab validate submissions/ qab score submissions/ --corpus v1 --summary # or --out report.json for the full report

真值公开；本地分数即排行榜分数。qab score --cases corpus/ 对已获取副本评分而不访问网络。每份报告命名评分器版本及评分真值的指纹。

由于真值公开，分数表示系统在无访问权限下运行于这些录音的表现：不要在语料库音频或标注上训练、调优或查阅。提交基于信任。

Python 方式：

python from qab import load_cases, load_submissions, evaluate

cases = load_cases("v1") # from the Hub; or load_cases(cases_dir="corpus/") submissions, meta = load_submissions("submissions/") report = evaluate(cases, submissions, meta, corpus_version="v1") print(report["headline"])

转换系统输出：若原生输出为每节、每词或每停顿，原样输出；不要合并或拆分以匹配任何预期粒度。

如何提交

使用排行榜的 Submit 标签。输入系统名称、描述、网站/仓库、私人联系邮箱及暴露给预期用户的、影响结果的参数数量。当数量非零时，在描述中简要说明这些控制如何帮助处理不同录音。

上传 ZIP 或单个 <id>.json 预测文件。网站验证每条录音及整个提交，计算私人分数预览，并自动创建提交元数据与基准版本。网站上传可省略 case_id 和 schema_version；文件名提供 ID。本地格式仍受支持。

可预览部分上传，但发布需要最新语料库中每条录音的有效结果。使用 Hugging Face 登录，查看结果，并明确确认发布。账户私人拥有系统名称。CPU 和 GPU 运行使用相同系统名称但显示为单独行，标记为 (CPU) 和 (GPU)。重新提交仅替换同一任务/语料库上选定的运行配置。预测文件、账户身份和联系邮箱从不公开。文件无限期保留以供可复现性和完整性检查。

系统输入仅为音频。允许公开暴露的用户控制，如静音阈值和风格设置。不允许基准标注、已知段落提示、在此语料库上训练/调优及手动预测修正。本地评分无需提交仍可用。

语料库问题与新音频

通过 GitHub issue 报告音频或真值问题。

建议新音频，仅提供：

• 音频链接或文件。
• 诵读者姓名。
• 为何是对语料库的有用补充。

无需其他元数据或标注。若被接受，录音将被摄取、标注并在下一语料库版本发布。

分段与时间

v1 包含上述对齐排行榜以及同一录音上的两个可选平行排行榜：

• 词时间：针对输出逐词时间的系统：每个词的开始和结束与真值的接近程度。
• 分段：针对检测诵读者停顿（waqf）位置的系统：检测分段与实际 waqf 的匹配程度。

Space 还接受同一系统身份下独立评分的 segmentation 和 word timing 结果。CPU/GPU 运行与任务替换相互独立。可选择一个或多个任务，上传文件，一起预览所有选定任务，并一次确认发布。

• Segmentation 接收完整录音并返回 {"segments": [{"start_s": 1.0, "end_s": 4.0}]}。无需文本或引用。runtime_seconds 可选，附带 CPU/GPU 硬件元数据。
• Timing 接收现有已审核片段及其提供的引用。返回一个 <recording-id>.json，内容为 {"clips": [{"words": [{"start_s": 0.0, "end_s": 0.7}, null]}, {"words": null}]}，按数据集分段与词顺序。时间为片段相对时间。words: null 表示该片段中所有词未计时。无 runtime 字段。
• 一个 ZIP 中多任务时，使用 alignment/<id>.json、segmentation/<id>.json 和 timing/<id>.json。单任务时，平铺 ZIP 或单个 JSON 文件可用。Space 处理元数据与版本。

从本仓库检出安装 pip install -e ".[corpus]" 以使用新任务命令。从选定语料库准备 timing 输入（需 PATH 上有 FFmpeg）：

bash qab fetch --corpus v1 --out corpus qab prepare-timing --cases corpus --out timing-inputs qab score predictions --task timing --cases corpus --out timing-report.json qab score predictions --task segmentation --cases corpus --out segmentation-report.json

prepare-timing 使用现有分段开始/结束边界而不添加上下文。每条录音的输入 JSON 列出其 WAV 片段、引用和有序词，不含目标词时间戳。旧获取的本地 case 文件必须重新获取以包含已审核分段。

Space 的 Metrics 标签解释所有分数与容差。额外任务的实现契约见 docs/TASKS.md。

版本管理

语料库版本化（数据集配置 v1、v2、……）。分数始终附加到其计算所用的语料库版本。网站打开最新版本；历史语料库版本有单独的只读视图，从不与当前结果混合。仅最新语料库接受提交。报告携带 corpus_version 和 scorer_version。

许可证

本仓库所有内容及数据集标注和描述性列采用 CC BY 4.0。音频录音不在此许可证覆盖范围内。

搜集汇总

数据集介绍

构建方式

该基准的构建以词级时间线为核心，针对每一段诵经录音，将所诵念的每个词按实际诵读顺序标注其起止时间。若诵经者重复某节经文，则相应词在时间线中重复出现。语料涵盖十六段录音、共三百五十七分钟、一万八千四百二十一个词，并对每段录音附以诵读者、风格、内容类型、噪声状况及重复事件等描述性字段。真值由人工标注与审核产出，确保词序与时间边界均与音频严格对应，最终以公开语料库形式发布于Hugging Face Hub，并配套独立评分器实现可复现的评测。

特点

该数据集以哈夫斯传述为唯一版本，词与节的编号依此体系贯穿始终。语料在诵经风格上覆盖murattal、hadr、mujawwad与muallim四类，录音既含单章亦含多章，兼具清晰与含噪采集，并纳入成人及儿童嗓音。内容上除纯诵经外，还包含祈祷场景中的唤拜与祷告词，且存在密集重复、长时间停顿及非古兰经语音。评分体系不限定分段粒度，在词级真值上统一核算，并额外报告重复事件、干净分段、可信覆盖等维度，以刻画系统在不同使用场景下的表现。

使用方法

使用者在获取语料后，可借助评分器命令行工具抓取音频与真值，并将自身系统输出整理为逐段标注的JSON文件，其中每段给出起止时间、词跨度或Basmala、Isti'adha、null等声明，以及可选的置信度。提交前可通过验证与本地评分获得与排行榜一致的指标，随后在排行榜页面提交结果，系统将自动完成校验与评分预览。自定义输出若为逐词、逐节或逐停顿形式，可直接提交，无需迁就任何预设粒度；重复事件则通过开启一个声明起点不晚于前段声明终点的新分段来标记。

背景与挑战

背景概述

《古兰经》诵读的自动对齐是语音处理与伊斯兰法学交叉的独特课题。quran-alignment-benchmark由Hetchy团队于2024年构建，作为公开基准，旨在将诵读音频精确映射至哈夫斯传述的逐字文本。该数据集收录16段录音、357分钟、18,421个诵读词及213次重复事件，覆盖多种诵读风格与音质条件。其核心贡献在于提供统一的评估框架与排行榜，推动对齐系统在字幕生成、经文检索等场景的客观比较，填补了该领域标准化评测的空白，对数字古兰经研究具有奠基意义。

当前挑战

该基准所求解的问题面临多重挑战。任务层面，系统须应对任意长度、重复词语、长时间停顿、开篇公式及非古兰经语音的复杂输入，同时保证词级时间边界的精确性。阿拉伯语诵读的连读、换气和不同诵读风格进一步加剧了音频与文本时序对齐的难度。构建层面，词级真实时间线的标注需高水平的古兰经知识与细致的人工校准，以处理反复诵读和噪声录音。此外，仅支持哈夫斯传述的局限意味着其他读法尚待扩展，而公开的真实数据亦可能引发模型过拟合，削弱对未知录音的泛化评估。

常用场景

经典使用场景

在伊斯兰教诵读传统与语音信息处理的交叉领域，将诵经音频精确映射至《古兰经》文本的字词级对齐是一项基础且极具挑战性的任务。quran-alignment-benchmark最为经典的使用场景即在于为此类对齐系统提供标准化评测基准：给定任意长度、任何诵读者、不同风格的诵读录音，系统需输出带时间区间的有序文本片段，并标注其中所诵念的经文词元范围，或是入拜词、求护词等特定套语。该基准以词级时间轴为金标准，从词元发现率与正确率、干净片段比例、重复事件识别等多个维度评分，并在公开排行榜上汇集结果，使得各类对齐算法得以在统一语料与统一评测协议下展开透明比较，从而推动该领域从各自为政的孤立实验走向可复现、可积累的协同研究范式。

实际应用

在实际应用层面，该数据集支撑了多个与诵经音视频处理密切相关的场景。在字幕生成中，每个对齐片段可直接转化为屏幕说明文字，而干净片段指标则反映了所显示字幕的准确比例，帮助开发者判断系统能否在诵经者重复经节时正确呈现两段字幕。在播放器与应用程序中，精确对齐使得用户能够按节跳转、单独循环某一节或隔离特定段落，而重复识别功能则确保同一节被诵念两次时，播放器能够将其视为两个独立事件而非一个。此外，该基准还适用于背诵与诵律教学工具的开发、可检索诵经档案的构建、乃至从布道、祈祷等混合音频中分离出《古兰经》语音，为各类下游任务提供了可量化的系统选型参考。

衍生相关工作

围绕quran-alignment-benchmark，已衍生出一系列相关经典工作与扩展任务。其中最为直接的是同一批录音上并行设置的词级时间标注任务与停顿分段任务：前者要求系统输出每个词的起止时间，后者则要求检测诵读者实际停顿的位置，两者与主对齐任务共享系统身份，形成了多维度的评测体系。基于该基准的排行榜，研究者已提交多种对齐系统，涵盖端到端神经网络、混合声学模型与强制对齐方法，这些工作在公开语料上不断刷新词元F1与干净片段比例。此外，该基准的公开金标准与本地评分工具还促进了可复现研究的实践，部分工作在此基础上探索了其他读法（如非哈夫斯传述）的扩展路径，并为后续语料版本的发布与整合奠定了基础，逐步构建起一个持续演进的诵经对齐研究生态。