出版物有声书(小说有声书)数据集

数据规模与规格
总时长20 万小时，以有声书、有声小说为主，音频 + 文本逐段对齐，格式规范统一。
文本对齐规则
文本与音频内容高度一致、无错漏、无乱码，支持句级别 / 段级别对齐，适配序列建模。
清洗与质控规则
经过去噪、去静音、去重、去低质录音、去违规内容处理，音频清晰、文本准确。
算法适配
天然支持自监督语音预训练、ASR 端到端训练、TTS 建模、语音–文本跨模态对齐、对比学习等主流训练框架与算法。

搜集汇总

背景与挑战

背景概述

该数据集是一个大规模的有声书和有声小说集合，总时长20万小时，核心特点是音频与文本逐段对齐，格式规范统一，支持句级别和段级别对齐。经过严格的清洗与质控处理，包括去噪、去静音、去重等，确保音频清晰、文本准确，天然适配自监督语音预训练、ASR、TTS等多种主流语音算法和训练框架。