liepa3

LIEPA-3（Didysis lietuvių kalbas garsynas）是一个大规模、开源的立陶宛语语音语料库，专为自动语音识别（ASR）、文本到语音（TTS）和语言学研究而构建。该数据集包含约10,000小时的语音数据，涵盖约750万个音频文件，记录了朗读、自发、语音标注和方言等多种语音类型。采集条件多样，包括录音室、录音机、广播、电视、电话和有声读物等场景，以最大化声学多样性。数据集分为四种配置：方言语音（dial）、语音标注语音（phon）、朗读语音（read）和自发语音（spon），每种配置都有详细的统计信息，如时长、说话者数量、短语数、单词数和文件大小。数据实例包含15个字段，包括音频（FLAC格式，44.1 kHz采样率）、文本转录、说话者ID、性别、年龄组、语言类型、来源、地区等。数据集创建于2025-2026年，由维陶塔斯马格努斯大学、维尔纽斯大学和立陶宛语言研究所共同创建，以知识共享署名4.0国际许可（CC BY 4.0）发布，说话者匿名处理，使用时需注意自发材料中的真实人物或事件。LIEPA-3 (Didysis lietuvių kalbas garsynas) is a large-scale, open-source Lithuanian speech corpus designed for automatic speech recognition (ASR), text-to-speech (TTS), and linguistic research. The dataset contains approximately 10,000 hours of speech data, covering about 7.5 million audio files, which include various speech types such as read, spontaneous, phonetically annotated, and dialectal speech. It is collected under diverse conditions, including studio, dictaphone, radio, TV, telephone, and audiobook scenarios, to maximize acoustic diversity. The dataset is divided into four configurations: dialect speech (dial), phonetically annotated speech (phon), read speech (read), and spontaneous speech (spon), each with detailed statistics such as duration, number of speakers, phrases, words, and file size. Each data instance includes 15 fields, including audio (FLAC format, 44.1 kHz sample rate), text transcription, speaker ID, gender, age group, language type, source, region, etc. Created in 2025-2026 by Vytautas Magnus University (VDU), Vilnius University (VU), and the Lithuanian Language Institute (LKI), the dataset is released under the Creative Commons Attribution 4.0 International License (CC BY 4.0), with speakers referenced anonymously, and users are advised to use spontaneous/broadcast materials responsibly due to potential mentions of real persons or events.

搜集汇总

数据集介绍

构建方式

LIEPA-3是面向立陶宛语音技术研究的大型开放语料库，由维陶塔斯·玛格努斯大学、维尔纽斯大学和立陶宛语言研究所联合打造。该数据集通过采集多种声学环境下的语音资料构建而成，涵盖录音室、录音笔、广播、电视、电话及有声书等来源，以最大化声学多样性。语料包含朗读、自发、方言及音标标注等类别，其中音标部分采用Praat TextGrid文件为约500小时语音提供词、音节和音素级别的精细标注。全部约10,000小时语音均进行短语级转写，音频以44.1kHz/16-bit单声道FLAC无损格式存储，确保原始质量无损。

特点

该数据集规模宏大，总计约10,000小时、750万个音频文件，包含朗读、自发（广播/电视/录音笔等）、方言及音标标注五种配置。方言部分采用扩展音标符号（如重音、腭化、方言元音）记录地域变体；音标部分提供音素、音节和词层级的语音学标注，并创新性地提供两种视图——短语级切分和完整录音级长格式（含时间戳转写）。元数据丰富，涵盖说话者ID、性别、年龄段、语言类型、来源、方言区域等字段，支持细粒度筛选。数据集以CC BY 4.0许可开放，填补了低资源波罗的语族语言的大规模开源语音数据空白。

使用方法

用户可通过HuggingFace的datasets库便捷加载该数据集，使用load_dataset函数并指定配置名称（如'dial'、'phon'、'read'、'spon'或'phon-long'）即可获取对应部分。音频默认以44.1kHz加载，可通过cast_column方法动态重采样至16kHz（适用于语音识别）或24kHz（适用于语音合成）。支持流式加载以避免完整下载。数据集中丰富的元数据列（如source、gender、region）可用于按需过滤子集，例如仅选择特定录音室质量的发言人数据用于合成任务，或筛选特定方言区域用于语音识别模型训练。

背景与挑战

背景概述

LIEPA-3（Didysis lietuvių kalbos garsynas）是由维陶塔斯·马格努斯大学、维尔纽斯大学及立陶宛语言研究所于2025至2026年间联合创建的大型立陶宛语语音语料库。该数据集旨在推动自动语音识别（ASR）、语音合成（TTS）及语言学研究的进步，尤其为立陶宛语这一相对低资源语言提供高质量、大规模的开源语音资源。LIEPA-3涵盖朗读、自发、方言、电话及录音等多种声学条件下的语音数据，总时长约10,000小时，包含约750万个音频文件，并附带详尽的元数据（如说话人性别、年龄、方言区域等）。其开放许可（CC BY 4.0）与广泛的数据多样性，使其成为波罗的海语族语音技术研究的基石，显著降低了下游应用的门槛。

当前挑战

LIEPA-3数据集的构建面临多重挑战。在领域问题层面，立陶宛语属于低资源语言，此前缺乏大规模、多样化的开源语音数据，限制了ASR与TTS模型的泛化能力；语音数据涵盖朗读、自发及方言等多种类型，声学条件复杂（如电台、电话、录音笔），为鲁棒性特征提取与模型训练带来困难。在构建过程中，团队需整合来自多个数据源的音频与元数据（如Praat TextGrid标注、方言音标），并确保转录一致性，例如方言部分采用扩展音标符号，而其他部分则需标准化为小写无标点格式；此外，语料库涉及10,000余小时音频、超过12,000名说话人，数据清理与标注耗费大量人力，尤其在极低资源方言数据的采集与校对上面临经费与时间压力。

常用场景

经典使用场景

LIEPA-3立陶宛语语音语料库的核心应用场景涵盖自动语音识别与文本转语音两大经典任务，同时为语音学研究提供了系统性支撑。该数据集囊括朗读、自发、方言及音标标注等多种语音类型，音频来源覆盖录音室、收音机、电视、电话及有声读物等多元声学环境，使得模型训练能够在域间鲁棒性上获得显著提升。研究者可根据具体需求选择dial、read、spon或phon等配置，通过按需重采样至16 kHz（ASR任务）或24 kHz（TTS任务），并结合speaker_id、gender和source等元信息进行灵活筛选，以构建面向低资源语言的精准声学模型与合成系统。

衍生相关工作

LIEPA-3的丰富结构已催生出多项经典衍生工作。基于phon与phon-long双层级配置，研究者得以构建端点检测、强制对齐及音节级韵律分析等预处理工具链。dial部分特有的方言注音方案为区域音系差异的量化研究提供了训练基准。read与spon两配置的规模对比则开启了域适应与说话人归一化算法的系统评估。整体而言，该数据集有望成为立陶宛语音技术领域的基准平台，推动词错率评估体系的统一化，并为波罗的语族语料库建设方法总结提供典型案例，进一步激励类似低资源场景下大规模语音数据构建规范的学术反思。

数据集最近研究

最新研究方向

LIEPA-3作为立陶宛语迄今规模最大的开源语音语料库，凭借约10,000小时的高保真音频数据、涵盖方言、自发语、朗读及精细音素标注的多模态配置，正引领波罗的语族低资源语言在自动语音识别与文本转语音领域的前沿突破。该数据集不仅为立陶宛语提供了覆盖多地域口音、不同录音条件及说话人特征的稀缺训练资源，更通过其专业设计的音素标注子集（phon）和长时段流式识别视图（phon-long），有效支持了强对齐与细粒度声学建模的研究需求。在跨语言迁移学习与低资源语音技术日益升温的背景下，LIEPA-3的发布填补了波罗的语族大规模开源语音数据的关键空白，为构建更公平、更包容的多语言语音系统奠定了坚实基础，同时推动了立陶宛语在语音交互、无障碍技术与数字人文等热点应用中的纵深发展。