ymoslem/Wikimedia-Speech-Irish

该数据集是一个合成的音频数据集，使用Azure文本到语音服务创建。双语文本来自Wikimedia数据集的一部分，包含7,545个文本片段。数据集包括两种语音数据，一种是女性声音（OrlaNeural），另一种是男性声音（ColmNeural）。语音数据总时长约为34小时23分钟，分布在15,090个话语中。数据集的结构包括音频、爱尔兰语文本和英语文本三个特征。该数据集是一个合成的音频数据集，使用Azure文本到语音服务创建。双语文本来自Wikimedia数据集的一部分，包含7,545个文本片段。数据集包括两种语音数据，一种是女性声音（OrlaNeural），另一种是男性声音（ColmNeural）。语音数据总时长约为34小时23分钟，分布在15,090个话语中。数据集的结构包括音频、爱尔兰语文本和英语文本三个特征。

原始信息汇总

数据集概述

数据集信息

• 特征:
  • audio: 音频数据
  • text_ga: 字符串类型，盖尔语文本
  • text_en: 字符串类型，英语文本

数据集结构

• 数据集对象:
  • 特征: [audio, text_ga, text_en]
  • 行数: 15090

数据集分割

• 训练集:
  • 字节数: 4209155993.0
  • 示例数: 15090

数据集大小

• 下载大小: 3452146050
• 数据集总大小: 4209155993.0

配置

• 默认配置:
  • 数据文件路径: data/train-*

数据集描述

• 创建方式: 使用Azure文本到语音服务生成的合成音频数据
• 语言: 双语，包含盖尔语和英语
• 音频数据: 分为女性声音（OrlaNeural）和男性声音（ColmNeural）两类

搜集汇总

数据集介绍

构建方式

该数据集基于开源双语文本语料库，源自OPUS项目所收集的Wikimedia平行语料，精选了7,545个文本片段。利用微软Azure文本转语音服务，分别以女性语音（OrlaNeural）和男性语音（ColmNeural）进行合成，生成了共计15,090条语音样本。整个音频数据时长约为34小时23分钟，涵盖了爱尔兰语及其对应的英文文本。

特点

数据集以双语对照为特色，每条音频样本均附带爱尔兰语文本（text_ga）与英文翻译（text_en），为多语言任务提供了结构化支撑。语音数据通过两种不同性别的声音合成，丰富了声学多样性，适用于低资源场景下的语音识别、语音合成及翻译任务。数据规模处于10K至100K之间，兼顾了训练效率与模型泛化能力。

使用方法

该数据集可直接通过HuggingFace Datasets库加载，默认配置下包含训练集（train），支持按音频路径与文本字段访问。适用于自动语音识别（ASR）、文本转语音（TTS）以及跨语言翻译任务的模型训练与评估。用户可根据需求选择单一声道或混合使用男女声数据，也可结合原始双语文本进行端到端语音翻译实验。

背景与挑战

背景概述

在低资源语言处理领域，爱尔兰语作为凯尔特语族的重要成员，长期面临语音数据匮乏的困境，严重制约了自动语音识别、语音合成及语音翻译等技术的发展。2024年，研究者Yasmin Moslem及其团队针对这一瓶颈，利用微软Azure文本转语音服务，从OPUS项目收集的维基媒体双语文本中选取了7545个片段，合成了包含男声（ColmNeural）与女声（OrlaNeural）双通道、共计15090条语音、时长约34小时23分钟的ymoslem/Wikimedia-Speech-Irish数据集。该数据集以CC-BY-SA-4.0许可发布，旨在为端到端低资源语音翻译提供高质量训练资源，其构建工作发表于IWSLT 2024会议，显著推动了爱尔兰语在语音技术领域的研究进展。

当前挑战

该数据集面临的核心挑战包括：其一，在领域问题层面，低资源语言如爱尔兰语的真实语音数据极为稀缺，且缺乏大规模、多样化的标注语料，导致传统端到端语音模型难以训练；合成数据虽能弥补数量不足，却可能引入声学特征与自然语音间的分布偏移，影响模型泛化能力。其二，在构建过程中，依赖单一TTS引擎（Azure）生成的语音存在音色与韵律多样性不足的问题，仅含两种说话人风格，难以覆盖口语交流中的真实变异性；同时，原始文本来源（维基媒体）的领域覆盖有限，可能使模型在非正式或特定场景下表现欠佳，且双语对齐的精确性也需进一步验证以降低翻译任务中的噪声干扰。

常用场景

经典使用场景

在低资源语言处理领域，爱尔兰语因其数据稀缺性而成为语音与文本技术研究的难点。Wikimedia-Speech-Irish数据集通过Azure文本转语音服务，基于维基媒体双语文本合成了约34小时的语音数据，涵盖男声与女声两种音色，为自动语音识别（ASR）、文本转语音（TTS）以及语音翻译任务提供了宝贵的训练资源。其经典使用场景在于构建端到端的语音翻译系统，尤其适用于从爱尔兰语语音到英语文本的跨语言转换，弥补了真实语音数据不足的短板。

实际应用

在实际应用中，该数据集赋能了爱尔兰语数字服务的智能化升级。例如，可集成至智能语音助手或公共服务系统中，实现爱尔兰语语音指令的实时识别与英语翻译，助力语言无障碍沟通。在文化遗产保护领域，它支持爱尔兰语有声内容的自动生成，如播客、教育资料或新闻播报，降低人工录制成本。此外，多语种翻译服务商可基于此数据优化低资源语言对，提升机器翻译系统对少数族裔语言的覆盖度。

衍生相关工作

该数据集衍生了一系列关键学术工作。Moslem等人（2024）率先利用其合成语音训练端到端语音翻译模型，在IWSLT评测中验证了合成数据的有效性。后续研究进一步探索了数据筛选策略、多任务学习框架（如联合ASR与TTS训练）以及跨语言迁移方法。此外，该数据集启发了其他低资源语言（如苏格兰盖尔语）的合成语音数据集构建，推动了OPUS项目下多语种语音资源的扩展，成为低资源语音技术领域的重要基准之一。