Spotify Podcast

一组大约 100K 的播客剧集，由原始音频文件和随附的 ASR 成绩单组成。这代表了超过 47,000 小时的转录音频，比以前的语音到文本语料库大一个数量级。

A collection of approximately 100K podcast episodes, comprising raw audio files and accompanying ASR transcripts. This collection represents over 47,000 hours of transcribed audio, which is an order of magnitude larger than prior speech-to-text corpora.

搜集汇总

背景与挑战

背景概述

该数据集包含约10万个播客剧集，提供原始音频和对应的自动语音识别转录文本，总计超过4.7万小时的转录音频，规模远超以往同类语料库。