ArA-DF-2026
收藏资源简介：
Arabic Deepfake Challenge 数据集是一个专为阿拉伯语语音深度伪造（欺骗）检测任务设计的音频分类数据集，其核心任务是对输入的音频片段进行二分类，判断其为真实语音（bona fide speech，标签为0）还是伪造/欺骗语音（spoofed speech，标签为1）。数据集包含四个划分：训练集（train，26,268个有标签样本）、开发集（dev，107,428个有标签样本）以及两个无标签的测试集（test_track_1，153,233个样本；test_track_2，141,939个样本）。所有音频均为16 kHz单声道格式，以无损FLAC编码存储于WebDataset TAR分片文件中，每个样本附带同名JSON侧载文件。公共元数据（包括训练集和开发集的标签）以Parquet文件格式提供。在数据组织上，训练集和开发集的文件名包含方言家族（dialect-family）和说话人性别（gender）标记（格式为`<dialect-family>_<gender>_<split>_<7-digit-number>`），而测试集采用匿名化命名（`test_<7-digit-number>`），不暴露方言或性别信息，以评估模型在未知条件下的泛化能力（Track 1）和对真实声学/信道变化的鲁棒性（Track 2）。数据集旨在支持相关算法的研发与评估，并作为挑战赛的基础数据，但明确禁止用于识别说话人或推断说话人的私人属性。
The Arabic Deepfake Challenge dataset is an audio classification dataset designed for Arabic speech deepfake (spoofing) detection tasks. Its core task is to perform binary classification on input audio clips, determining whether they are bona fide speech (label 0) or spoofed speech (label 1). The dataset includes four splits: training set (train, 26,268 labeled samples), development set (dev, 107,428 labeled samples), and two unlabeled test sets (test_track_1, 153,233 samples; test_track_2, 141,939 samples). All audio is in 16 kHz mono format, stored in lossless FLAC encoding within WebDataset TAR shard files, with each audio sample accompanied by a JSON sidecar file of the same name. Public metadata (including labels for the training and development sets) is provided in Parquet file format. In terms of data organization, filenames for the training and development sets contain dialect-family and speaker gender markers (format: `<dialect-family>_<gender>_<split>_<7-digit-number>`), while the test sets use anonymized naming (`test_<7-digit-number>`), hiding dialect and gender information to evaluate model generalization under unknown conditions (Track 1) and robustness to real acoustic/channel variations (Track 2). The dataset is released for research and challenge participation, with explicit prohibition against using it for speaker identification or inferring private speaker attributes.
数据集概述
- 名称: Arabic Deepfake Challenge Dataset (ArA-DF-2026)
- 任务: 阿拉伯语语音深度伪造/欺诈检测，属于二元音频分类任务。
- 标签含义:
0表示真实语音 (bona fide speech)，1表示伪造语音 (spoofed speech)。 - 语言: 阿拉伯语 (ar)
- 许可证: 其他 (other)，仅限研究和挑战参与使用，禁止用于识别说话者或推断私人属性。
数据划分
| 数据划分 | 样本数 | 是否包含标签 | 公开命名规则 |
|---|---|---|---|
train |
26,268 | 是 | <方言家族>_<性别>_<划分>_<7位数字> |
dev |
107,428 | 是 | <方言家族>_<性别>_<划分>_<7位数字> |
test_track_1 |
153,233 | 否 | 匿名化，使用 test_<7位数字> |
test_track_2 |
141,939 | 否 | 匿名化，使用 test_<7位数字> |
- 训练集和开发集: 文件名包含方言家族和性别信息；标签由公开元数据文件提供。
- 测试集: 文件名不暴露方言或性别信息，标签被保留，仅由 Codabench 评估服务器使用。
- Track 1: 评估对未知评估条件的泛化能力。
- Track 2: 评估对真实声学/信道变化的鲁棒性。
数据文件
- 音频: 所有音频为 16 kHz 单声道，格式为无损 FLAC，存储在 WebDataset TAR 分片文件中。
- 路径:
data/{split}/{split}-*.tar
- 路径:
- 元数据: 公开元数据以 Parquet 格式提供。
- 路径:
metadata/{split}.parquet
- 路径:
- JSON 侧边文件: 每个 WebDataset 样本包含
<id>.flac和<id>.json，所有划分的 JSON 使用相同的非标签模式。 - 示例提交文件:
sample_submission_track_1.csv和sample_submission_track_2.csv
提交格式
每个测试轨道需向 Codabench 提交一个 CSV 文件，格式如下：
csv id,label test_0000000,0 test_0000001,1
label 必须为整数类预测：0 表示真实语音，1 表示伪造语音。示例提交文件为格式模板，包含确定的虚拟标签。
数据加载
- 默认配置:
train_dev，加载包含标签的训练和开发集元数据表。 - 测试集配置: 通过
test_track_1和test_track_2配置加载，不含标签。
加载元数据示例: python from datasets import load_dataset ds = load_dataset("ArabicSpeech/ArA-DF-2026") print(ds["train"][0]) test_track_1 = load_dataset("ArabicSpeech/ArA-DF-2026", "test_track_1")
通过 WebDataset 流式加载音频示例: python from datasets import load_dataset data_files = { "train": "hf://datasets/ArabicSpeech/ArA-DF-2026/data/train/.tar", "dev": "hf://datasets/ArabicSpeech/ArA-DF-2026/data/dev/.tar", "test_track_1": "hf://datasets/ArabicSpeech/ArA-DF-2026/data/test_track_1/.tar", "test_track_2": "hf://datasets/ArabicSpeech/ArA-DF-2026/data/test_track_2/.tar", } ds = load_dataset("webdataset", data_files=data_files, streaming=True) sample = next(iter(ds["train"]))
