Open Yap 1K

世界上最大的自然双人英语对话开放数据集，包含1000小时的分声道音频。The world's largest open dataset of natural two-person English conversations, containing 1,000 hours of separately channeled audio.

原始信息汇总

Open Yap 1K 是一个大规模开源数据集，包含1000小时、1602段自然双人英语对话，共239位说话人，音频以48kHz、16-bit PCM格式录制。

该数据集的特点在于对话双方并不被指定话题或搭档，参与者自行邀请熟人进行自由交谈。数据集为此提供了每段对话的重叠、说话轮次间隔和语速等标注信息。

内容概况：

• 音频时长: 1,000小时
• 对话数量: 1,602段
• 说话人数: 239人
• 采样率: 48 kHz, 16-bit PCM

相关的文档资料包括数据集说明、架构文档、测量方法和访问指引等，存放于代码库中。文档涵盖了数据集的制作背景、使用授权和获取流程等信息。

搜集汇总

数据集介绍

构建方式

Open Yap 1K数据集由The Agentic Data Company构建，是世界上最大的自然双人英语对话开源数据集。其构建方式独特，摒弃了传统语料库如Fisher和Switchboard中指定陌生搭档和话题的做法，而是鼓励参与者邀请自己熟悉的人进行自由对话。数据采集自239位说话者，录制了1,602段对话，总计1,000小时的音频，且采用48kHz采样率和16-bit PCM格式进行双声道分离录制，确保了高保真度和清晰的声道分离。

特点

该数据集的核心特点在于其自然性：由于对话双方为熟人，对话中包含了更多的打断、反馈词和较短的说话间隔，更贴近真实日常交流。此外，数据集为每个对话提供了重叠、话轮转换间隔和语速等详细注释，这些元数据对于研究对话动态至关重要。与现有可比数据集相比，Open Yap 1K是最大的商用授权自然双人对话数据集，且音频为宽带，提供了更丰富的语音信息，超越了传统窄带语料库。

使用方法

研究人员可通过Hugging Face平台预览样本，并使用提供的Python工具下载免费样本。完整语料库需通过官方网站请求获取，并遵循相应数据使用协议。数据集附带详细的文档，包括数据表、模式定义、归档布局、测量方法、来源描述和访问指南，以及机器可读的统计文件和JSON Schema。这便于用户进行深度集成，如用于训练和评估会话AI系统，或研究自然对话中的打断和重叠现象。

背景与挑战

背景概述

Open Yap 1K是The Agentic Data Company于2026年发布的大规模自然双人英语对话数据集，由239位参与者贡献了1602段、总计1000小时的通道分离音频，采样率为48kHz，位深16-bit。其核心研究问题在于突破传统对话语料库（如Fisher、Switchboard）中陌生人配对与限定话题的局限，通过支持熟人间的自由对话，捕捉更真实的交互特征，如频繁打断、重叠话语及短轮换间隙。该数据集以宽频带、高质量音频和开放的商用许可，为语音识别、对话系统及交互分析提供了宝贵资源，被誉为目前最大的开放自然双人英语对话语料库。

当前挑战

该数据集面临的挑战主要体现在两方面。其一，在领域问题层面，自然对话研究长期受限于语料获取难度，已有语料多由陌生人围绕指定话题展开，缺乏对自由交流中动态交互的捕捉；Open Yap 1K虽采集了熟人对话，但如何准确量化重叠语音、回馈词和轮换间隙等复杂交互行为，仍是语音处理技术的一大难点。其二，在构建过程中，需在保证语音自然性的同时，应对多说话人分离导致的串扰、不同环境噪声干扰以及声道一致性等技术难题。此外，数据采集涉及大量隐私与同意事宜，需建立严格伦理流程，平衡数据开放性与个人权益保护。

常用场景

经典使用场景

Open Yap 1K数据集的核心使用场景聚焦于自然双人英语对话的语音研究，其独特之处在于未指定话题或搭档，由参与者与熟悉之人自由交谈，从而捕捉到打断、回馈词及短话轮间隔等真实对话特征。该数据集提供1,000小时、48kHz宽频、声道分离的音频，为训练和评估对话式AI系统（如语音识别、说话人分离、对话状态跟踪）提供了高保真、贴近真实的基准资源，尤其适用于研究非脚本化、高交互性的口语对话建模，突破了传统配对陌生人、窄带电话语料的局限。

衍生相关工作

该数据集的发布催生了一系列相关研究工作，涵盖对话语音识别系统的鲁棒性提升、基于自监督学习的说话人表征优化，以及面向对话场景的语音合成模型。研究者利用其标注的说话人重叠和时间戳，开发了精细的对话事件检测算法，并探索了跨说话人情感迁移的新途径。此外，Open Yap 1K已被用作生成合成对话数据的种子，以扩充训练语料，服务于少样本场景下的语音助手个性化。其在数据集文档中采用的测量与质控方法，也为后续语料库构建树立了参考标杆，激励了更符合伦理规范的数据收集实践。

数据集最近研究

最新研究方向

随着语音人工智能技术的飞速发展，真实、自然的人机对话系统对训练数据的需求日益迫切。Open Yap 1K数据集以1000小时、239位说话人、1602场对话的规模，填补了自然双人英语对话数据在公开领域的空白，其核心创新在于摒弃了传统的陌生人配对与指定话题模式，通过鼓励熟人间的自由交谈，捕获了打断、回馈语、话轮间隔等真实对话中的关键韵律特征。该数据集采用48kHz宽带采样与声道分离技术，相较于早期窄带语料库，显著提升了语音细节的保真度，为语音识别、说话人验证、对话建模等前沿研究提供了高价值资源。其商业可用的许可协议更是打破了学术研究与产业应用之间的壁垒，有望推动语音AI在辅助沟通、情感计算及人机协同等热点领域的实质性突破。