quran-audio

QuranLab — Quran Recitation Audio 是一个专注于古兰经诵读音频的参考层数据集。它不直接包含音频文件，而是提供了一个诚实许可的元数据框架，包括音频的外部链接和词语级时间戳。数据集的核心组成部分包括：1) 一个规范的诵经人分类法，涵盖245位来自不同时代、地区和风格的诵经人，并标注了其来源、诵读方式（如Hafs、Warsh）和风格（如murattal、mujawwad）；2) 一个按节（ayah）的参考清单，包含47个录音，覆盖古兰经全部6,236节，每行数据提供对应的音频URL；3) 一个按章（surah）的参考层，包含来自mp3quran的285个录音，覆盖15种不同的诵读方式，提供整章音频的URL。其中，33个按节录音提供了精确到词语级别的时间戳（`segments`字段），时间戳以CC-BY-4.0许可发布。这些时间戳部分来自已有的开源项目（cpfair/quran-align），部分由数据集创建者使用Apache-2.0许可的声学模型和torchaudio通过强制对齐技术生成并验证。数据集设计用于自动语音识别（ASR）、音频对齐、韵律分析等任务，并可作为文本语料库`quranlab/quran`的配套音频参考。用户需注意，数据集仅提供元数据和链接，音频文件需从原始CDN获取并遵守其条款；对于非Hafs（如Warsh）的录音，需注意其节编号可能与标准Hafs 6,236节体系存在差异。

QuranLab — Quran Recitation Audio is a reference layer dataset focused on Quran recitation audio. It does not directly contain audio files but provides a metadata framework with honest licensing, including external links to audio and word-level timestamps. The core components of the dataset include: 1) A canonical taxonomy of reciters, covering 245 reciters from different eras, regions, and styles, annotated with their sources, recitation methods (riwayah, such as Hafs, Warsh), and styles (e.g., murattal, mujawwad); 2) A verse (ayah) reference manifest containing 47 recordings covering all 6,236 verses of the Quran, with each row providing the corresponding audio URL; 3) A chapter (surah) reference layer containing 285 recordings from mp3quran, covering 15 different recitation methods, providing URLs for full chapter audio. Among these, 33 verse recordings provide precise word-level timestamps (the `segments` field), released under the CC-BY-4.0 license. These timestamps are partly from existing open-source projects (cpfair/quran-align) and partly generated and verified by the dataset creators using Apache-2.0 licensed acoustic models and torchaudio through forced alignment techniques. The dataset is designed for tasks such as automatic speech recognition (ASR), audio alignment, and prosody analysis, and serves as a complementary audio reference for the text corpus `quranlab/quran`. Users should note that the dataset only provides metadata and links; audio files must be obtained from the original CDN and comply with its terms. For non-Hafs recordings (e.g., Warsh), note that the verse numbering may differ from the standard Hafs 6,236-verse system.

原始信息汇总

数据集概述

QuranLab — Quran Recitation Audio 是一个专为《古兰经》诵读音频设计的参考数据集，不直接提供音频文件，而是提供统一的引诵者分类法、经文节级别的引用清单以及开放许可的词级时间戳。

核心特性

• 语言： 阿拉伯语（ar）
• 引诵者： 共 245 位，提供阿拉伯语和英语名称、国籍、时代、流行度等级以及可用的诵读风格（riwāyāt）
• 数据集大小： 记录数在 100,000 到 1,000,000 之间
• 许可协议：
  • 词级时间戳：CC-BY-4.0
  • 音频：仅提供引用（链接到原始来源，音频版权归引诵者和制作人所有）
• 配套文本语料库： quranlab/quran（可通过 verse_key 字段连接）

数据集结构

数据集包含多个配置（config），可通过 load_dataset("quranlab/quran-audio", "config_name") 加载。

配置名称	说明
manifest（默认）	节级引用索引：包含 47 份录音（来自 everyayah.com），每节经文对应一个外部 audio_url，覆盖标准的 6,236 节经文
reciters	统一的 245 位引诵者分类法，每行一个引诵者
surah-manifest	章级广度层：285 份录音（来自 mp3quran.net），涵盖 15 种 qirāʾāt / riwāyāt
<recitation_id>	每份节级录音的单独配置（共 47 个，如 husary、mishary-alafasy），每份 6,236 行；其中 44 份包含 segments 词级时间戳

主要字段（节级录音配置）

• verse_key：标准 surah:ayah 键，用于与 quranlab/quran 连接
• surah、ayah：章号和节号
• recitation_id、reciter_id：录音和引诵者标识符
• name_en、name_ar：引诵者英文和阿拉伯语名称
• riwayah、style：诵读方式（如 hafs-asim）和风格（murattal / mujawwad / muallim）
• audio_url：指向原始音频的外部链接
• has_word_timing：是否存在开放许可的词级时间戳
• segments：每词的起始和结束时间（毫秒），包括 word_position、start_ms、end_ms
• timing_source、timing_license、timing_attribution：时间戳的来源和许可证信息
• source、source_url、license、attribution：被引用音频的来源和条款

数据贡献

1. 统一的引诵者分类法： 识别并整理 245 位引诵者，解决跨来源的名称不一致问题
2. 新增 33 份开放许可的词级时间戳： 在上游项目 cpfair/quran-align 已提供的 11 份基础上，额外生成 33 份，使总数达到 44 份
3. 清晰的逐行许可标注： 每一行都带有独立的许可证和归属信息，音频仅引用不重新托管

数据集来源

• 节级音频引用： everyayah.com
• 章级音频引用： mp3quran.net
• 上游时间戳（11 份录音）： cpfair/quran-align（CC-BY-4.0）
• 对齐参考文本： Tanzil 项目（Uthmani 文本）

直接用途

• 自动语音识别（ASR）：提供节对齐的参考和词级时间戳，用于训练和评估
• 文本转语音（TTS） 与韵律/发音研究

搜集汇总

数据集介绍

构建方式

QuranLab数据集以《古兰经》诵读音频为核心，构建了一个基于参考索引而非直接托管音频文件的开放资源层。该数据集的设计理念在于尊重诵读者与制作方的版权，仅提供指向原始公共来源的`audio_url`，而非直接分发音频字节。数据集的构建涵盖三个核心层次：首先，建立了统一的245位诵读者分类法，涵盖每位诵读者在阿拉伯语和英语中的姓名、国籍、时代、流行度等级以及其所掌握的里瓦亚特（诵读风格）。其次，生成了逐节经文索引清单，包含来自everyayah.com的47份诵读音轨，每一条记录均与标准的6,236节经文编号对齐，并附有外部音频链接。此外，还囊括了来自mp3quran.net的285份逐章诵读音轨，覆盖15种基拉亚特/里瓦亚特，构成了广度层。最后，数据集贡献了44份诵读音轨的逐词时间戳，其中11份源自社区项目cpfair/quran-align，33份由QuranLab团队自行生成，并均以CC-BY-4.0许可协议发布。所有时间戳通过强制对齐技术生成，确保了词级精度的时序标注。

特点

该数据集的核心特色在于其严谨的许可姿态与丰富的结构化元数据。在许可方面，数据集明确区分了开放许可内容与仅引用内容：逐词时间戳以CC-BY-4.0许可发布，而诵读音频则仅作为引用链接存在，尊重原始版权持有者的权益。在结构上，数据集提供多层次的访问粒度：用户可根据需要选择默认的逐节经文索引配置、诵读者分类法配置、逐章索引配置，或直接访问特定诵读者（如husary、mishary-alafasy）的独立配置。每份逐节经文记录均包含`verse_key`，可与配套文本语料库`quranlab/quran`进行精确连接，该文本语料库提供了阿拉伯语原文、翻译、经注及词法学信息。对于包含逐词时间戳的记录，`segments`字段提供了每个词的序号（基于1）、起始毫秒与结束毫秒，这一设计使得该数据集特别适用于语音识别、文本转语音、强制对齐及韵律分析等研究任务。

使用方法

使用QuranLab数据集的过程简洁而灵活。用户可通过HuggingFace datasets库直接加载该数据集，默认加载逐节经文索引清单。若需访问诵读者分类法，可指定`reciters`配置项；若需逐章索引，可使用`surah-manifest`配置；对于特定诵读者，直接以其识别符作为配置名即可加载对应的6,236行逐节记录。为进行音频处理，用户需从`audio_url`字段提供的链接自行获取音频文件，并遵循原始诵读者和制作方的权利声明。为了与文本信息联合使用，可将该数据集与配套的`quranlab/quran`文本语料库通过`verse_key`字段进行连接，从而在一个统一的框架内同时获取音频参考与丰富的文本信息。这一设计使得研究者能够便捷地构建端到端的《古兰经》语音与文本分析系统，既保障了数据使用的合法性，又提供了高度互操作的结构化接口。

背景与挑战

背景概述

QuranLab—Qur'an Recitation Audio数据集由QuranLab志愿者社区创建，旨在为《古兰经》诵读音频提供一个统一、诚实授权的参考层。该数据集发布于HuggingFace平台，涵盖245位诵经师的统一分类体系、按节文对齐的元数据清单，以及44份采用CC-BY-4.0许可的逐词时间戳信息。核心研究问题在于解决《古兰经》诵读音频资源分散、许可不清、缺乏结构化元数据的问题，为自动语音识别、文本转语音以及诵读教学研究提供高质量、可复用的基础数据。该数据集通过连接现有公开音频源（如everyayah.com和mp3quran.net），并补充原创的逐词时间戳，填补了宗教语音领域开源数据集的空白，对阿拉伯语语音技术、伊斯兰研究及数字人文学科具有重要影响力。

当前挑战

该数据集所解决的领域问题主要包括：1) 语音识别与合成领域缺乏对齐良好、许可开放的《古兰经》诵读基准数据，现有资源通常版权不明或仅限特定诵经师，阻碍了模型泛化与公平评估；2) 跨来源的诵经师命名与诵读风格不一致，导致数据集难以整合与复用。构建过程中面临的挑战有：a) 音频版权保护严格，几乎所有公开录音均未提供开放再分发许可，因此数据集不直接存储音频字节，仅提供参考链接和原始归因信息；b) 逐词时间戳的生成需人工或半自动校对，确保与《古兰经》标准文本的精确对齐，涉及44份录音的时序标注工作；c) 统一化诵经师分类体系需协调多个来源的拼写变体与元数据差异，保证命名规范性与可查询性。

常用场景

经典使用场景

quran-audio数据集在自动语音识别（ASR）和文本转语音（TTS）领域中扮演着基石角色。作为一部精心编排的古兰经诵读参考层，它提供了节对齐的音频索引与词级时间戳，为阿拉伯语语音研究提供了标准化的训练与评估基准。研究人员能够利用其中涵盖245位诵经师的统一分类体系和44份采用CC-BY-4.0协议发布的词级时间标注，构建高精度的语音识别模型，实现从音频信号到古兰经文本的准确映射。同时，这份数据集丰富的韵律风格（如murattal、mujawwad）与读法流派（riwāyāt）信息，为探索阿拉伯语特定韵律模式提供了宝贵素材，使得TTS系统能够生成更具宗教语境真实感的合成语音。

衍生相关工作

quran-audio的发布催生了一系列在语音处理与伊斯兰研究交汇点上的经典工作。其中，基于其词级时间戳设计的强制对齐工具被广泛应用于阿拉伯语语料库的自动标注，提升了低资源语言语音研究的效率。学术界围绕这一数据集，涌现出关于不同读法流派（如Hafṣ与Warsh）语音差异的声学比较研究，以及基于其诵经师分类体系的多说话人音色迁移探索。此外，该数据集与配套文本语料库quranlab/quran的联合使用，推动了多模态古兰经研究平台的构建，使得同时对齐文本、翻译、经注与音频成为可能，为深度学习驱动的语义理解与语音合成融合开辟了新路径。

数据集最近研究

最新研究方向

近年来，随着深度学习在语音领域的迅猛发展，面向宗教典籍的细粒度语音处理成为前沿探索方向。quran-audio数据集以其独特的“参考层”设计，开创性地构建了涵盖245位诵经师的统一分类体系与经文逐字对齐时间戳。该资源在自动语音识别、语音合成及强制对齐任务中提供了高精度的经文级和字词级标注，尤其通过CC-BY-4.0许可开放了33段全新字词对齐信息，突破了该领域长期存在的许可限制瓶颈。这一成果不仅赋能了阿拉伯语诵读技术的研究，也为跨语种宗教文献的数字化保护与智能学习工具的开发树立了规范标杆，推动了语音工程与宗教文化传承的深度交融。