astryd_lindgren_braty_lvinae_sertsa_output

该数据集是白俄罗斯语有声读物《Браты Ільвінае сэрца》（作者：阿斯特丽德·林格伦）的语音识别数据集，属于Ministerskija收藏的一部分。它包含经过精确对齐的音频录音和相应的转录文本，专门用于自动语音识别任务。数据规模方面，在HuggingFace平台上发布了1,835条样本，数据库中共有2,121条样本，音频总时长为7小时6分钟。所有数据均经过高质量对齐处理，置信度阈值≥0.95。每条数据记录包含三个字段：audio（约15秒的音频片段）、text（对应的转录文本）以及chunk_uid（片段的唯一标识符）。数据处理流程包括将原始有声读物分割成短片段，并利用Gemini和两个独立的自动语音识别系统进行音频与文本的对齐。该数据集适用于白俄罗斯语语音识别模型的训练与评估，特别适合有声读物领域的语音技术研究。

This dataset is a speech recognition dataset for the Belarusian audiobook Браты Ільвінае сэрца (author: Astrid Lindgren), part of the Ministerskija collection. It contains precisely aligned audio recordings and corresponding transcriptions, specifically designed for automatic speech recognition tasks. In terms of data scale, 1,835 samples are published on the HuggingFace platform, with a total of 2,121 samples in the database, and the total audio duration is 7 hours and 6 minutes. All data has undergone high-quality alignment with a confidence threshold ≥0.95. Each data record includes three fields: audio (approximately 15-second audio segments), text (corresponding transcribed text), and chunk_uid (unique identifier for the segment). The data processing involves splitting the original audiobook into short segments and aligning audio with text using Gemini and two independent automatic speech recognition systems. This dataset is suitable for training and evaluating Belarusian speech recognition models, particularly for research in speech technology for audiobooks.

原始信息汇总

数据集概述

基本信息

• 名称: Браты Ільвінае сэрца（白俄罗斯语：狮子心兄弟）
• 语言: 白俄罗斯语
• 许可证: CC0-1.0
• 任务类别: 自动语音识别（ASR）
• 标签: 有声书、白俄罗斯语、语音、ASR、对齐、speaker_03
• 数据集大小: 1,000 < 样本数 < 10,000
• 发布日期: 未明确标注

数据规模

• HF 发布行数: 1,835
• 数据库总计行数: 2,121
• 音频总时长: 7小时6分钟
• 对齐置信度阈值: ≥ 0.95

数据来源与处理

• 该数据集属于 Ministerskija 合集，包含对齐的白俄罗斯语音频书录音及其转录文本。
• 音频书被分割为短片段（约15秒），并与转录文本对齐。
• 对齐过程使用 Gemini 和两个独立的 ASR 系统，对齐置信度不低于 0.95。

数据结构

每行包含三个字段：

• audio: 音频片段（约15秒）
• text: 转录文本（Gemini + ASR 对齐结果）
• chunk_uid: 片段的唯一标识符

说话人信息

• 说话人聚类: speaker_03
• 平均相似度评分: 0.876
• 最相似数据集: iagan_frydryh_shyler_kubak_output（相似度 0.97）
• 说话人识别模型: WavLM-Base+（余弦相似度，阈值 0.82）

搜集汇总

数据集介绍

构建方式

该数据集源于白俄罗斯语有声读物《Браты Ільвінае сэрца》（瑞典作家阿斯特丽德·林格伦的经典作品），旨在为自动语音识别（ASR）研究提供高质量的对齐音频-文本资源。构建过程中，原始音频书被切分为约15秒的短片段，随后借助Gemini模型与两套独立的ASR系统执行转录与时间对齐，仅保留对齐置信度不低于0.95的高质量片段。每个数据条目包含音频文件、转录文本及其唯一标识符，最终收录1835条公开发布记录，音频总时长达7小时6分钟。

特点

该数据集的核心特色在于其高精度的对齐策略与严格的置信度筛选机制，确保了音频与文本间的高度一致性。此外，数据集明确了说话人身份（speaker_03），并通过WavLM-Base+模型进行说话人相似度评估，平均相似度达0.876，与相近数据集（如iagan_frydryh_shyler_kubak_output）的相似度高达0.97，为多说话人ASR及说话人识别任务提供了有效参考。整体采用CC0-1.0许可协议，便于学术与商业用途的广泛使用。

使用方法

该数据集主要面向白俄罗斯语自动语音识别（ASR）模型的训练与评估。用户可通过Hugging Face Datasets库直接加载，每个条目中的audio字段提供音频片段，text字段对应准确转录文本，适合构建端到端语音识别流水线。chunk_uid可用于数据溯源与交叉验证。此外，结合说话人聚类信息，该数据集亦可用于语音合成中的说话人建模或说话人识别系统的微调。研究者可参考Ministerskija集合中的其他数据集以扩展语料多样性。

背景与挑战

背景概述

白俄罗斯语作为东斯拉夫语支的重要成员，其语音资源的稀缺性长期以来制约着该语言在自动语音识别（ASR）领域的研究进展。在此背景下，由研究人员Fosters团队创建的astryd_lindgren_braty_lvinae_sertsua_output数据集应运而生，该数据集于2023年发布，源自白俄罗斯语有声读物《狮心兄弟》（Astrid Lindgren著），隶属于Ministerskija有声书集合。核心研究问题聚焦于构建高精度、对齐可靠的白俄罗斯语语音识别训练数据，以推动低资源语言的ASR技术发展。该数据集包含约2,121条对齐的语音-文本片段，总时长逾7小时，由单一说话者（speaker_03）朗读，经Gemini及双独立ASR系统严格对齐，置信度阈值不低于0.95，为白俄罗斯语语音研究提供了高质量标注资源。其影响在于填补了白俄罗斯语开源对齐语音数据的空白，为后续的语音合成、说话人识别及多语言ASR模型评估奠定了数据基础。

当前挑战

该数据集所解决的领域挑战主要集中于低资源语言的ASR数据稀缺与对齐精度问题。白俄罗斯语缺乏大规模、高质量的开源语音数据集，现有资源往往存在音频-文本不对齐、噪声干扰或说话人单一等局限，导致模型泛化能力不足。在构建过程中，团队面临多重困难：首先，有声读物音频时长较长，需精确切分为约15秒的短片段，并确保语义完整性；其次，单一说话人的录音风格稳定，但需通过WavLM-Base+模型验证说话人身份，防止不同片段的声学特征漂移；此外，为提升对齐可靠性，采用Gemini与双ASR系统协同标注，但面对白俄罗斯语中特有的发音变体及重音模式，标注一致性仍具挑战。最终，通过设定≥0.95的置信度阈值，筛选出1,835条高质量行，既控制了噪声风险，也损失了部分低确信度数据，平衡了数据规模与标注纯净度。

常用场景

经典使用场景

在白俄罗斯语自动语音识别（ASR）研究领域，该数据集作为一部高质量、对齐精准的语音-文本资源，其经典使用场景在于训练和评估针对低资源语言的端到端语音识别模型。数据集包含超过7小时的音频，分割为约15秒的短片段，并附有Gemini及双ASR系统联合对齐的高置信度转录，为构建鲁棒的ASR系统提供了可靠的声学与语言对应关系。研究者常将其作为基准训练集，用于优化序列到序列或Transformer-based ASR架构在白俄罗斯语上的性能，尤其是在缺乏大规模标注数据的语言环境中，该数据集显著降低了数据门槛，推动了低资源语言语音技术的进步。

解决学术问题

该数据集核心解决了白俄罗斯语等低资源语言在语音识别领域面临的标注数据匮乏与对齐精度不足的学术难题。通过高置信度（≥0.95）的自动对齐流程，它提供了一种可复现的数据构建范式，缓解了人工标注成本高昂、耗时巨大的困境。研究人员利用此数据集探索跨语言迁移学习、半监督学习及语音-文本联合建模等策略，有效验证了在极小规模数据下实现合理词错误率（WER）的可行性。其意义在于为少数民族语言的数字化生存提供了技术基础，推动了多语言、包容性语音技术的理论发展，并激发了关于对齐质量与模型泛化能力之间关系的深入讨论。

衍生相关工作

该数据集衍生了一系列具有影响力的相关工作，最引人注目的是其所属的Ministerskija集合，该集合整合了多位演说家的白俄罗斯语有声读物数据，推动了说话人自适应与多说话人ASR模型的开发。基于此，研究者提出了语音特征聚类方法（如使用WavLM-Base+模型进行说话人相似度评估），并探索了跨数据集迁移学习，例如将该数据集与iagan_frydryh_shyler_kubak_output联合训练，验证了数据增强对低资源语言鲁棒性的提升。此外，相关工作还包括对自动对齐置信度阈值的研究，以及将此类对齐数据用于文本到语音（TTS）系统的语音合成训练，形成了从ASR到TTS的完整技术闭环。