ivan_navumenka_sasna_pry_daroze_output

“Сасна пры дарозе”是一个白俄罗斯语有声读物语音数据集，属于Ministerskija系列。该数据集专为自动语音识别任务设计，提供了高质量、经过严格对齐的音频-文本对。数据来源于白俄罗斯语有声读物，由作者Іван Навуменка处理。音频总时长约为37小时57分钟，包含约8,899个公开发布的样本行（数据库总行数约为11,573）。每个样本包括三个关键字段：一个约15秒长的音频片段、对应的文本转录（通过Gemini和ASR系统对齐生成）、以及一个唯一标识符‘chunk_uid’。数据集的创建过程涉及将原始有声读物分割成短片段，并利用Gemini和两个独立的自动语音识别系统进行强制对齐，确保每个对齐片段的置信度不低于0.95。该数据集适用于训练和评估白俄罗斯语的语音识别模型。

“Sasna pry daroze” is a Belarusian audiobook speech dataset, part of the Ministerskija series. It is specifically designed for automatic speech recognition tasks, providing high-quality, rigorously aligned audio-text pairs. The data originates from Belarusian audiobooks, processed by the author Ivan Naumenka. The total audio duration is approximately 37 hours and 57 minutes, with about 8,899 publicly released sample lines (the total database rows are approximately 11,573). Each sample includes three key fields: an audio segment of about 15 seconds, the corresponding text transcription (aligned using Gemini and ASR systems), and a unique identifier chunk_uid. The dataset creation process involves segmenting the original audiobooks into short clips and performing forced alignment using Gemini and two independent automatic speech recognition systems, ensuring a confidence level of at least 0.95 for each aligned segment. This dataset is suitable for training and evaluating Belarusian speech recognition models.

原始信息汇总

数据集名称

Сасна пры дарозе — Іван Навуменка (英文：Ivan Navumenka)

语言

白俄罗斯语 (Belarusian, be)

许可证

CC0-1.0

任务类别

自动语音识别 (Automatic Speech Recognition)

标签

• 有声书 (audiobook)
• 白俄罗斯语 (belarusian)
• 语音 (speech)
• ASR
• 对齐 (aligned)
• 说话人编号：speaker_02

规模

1,000 < 样本数 < 10,000

统计信息

指标	数值
Hugging Face 上已发布行数	8,899
数据库总行数	11,573
音频总时长	37小时57分钟
置信度阈值	≥ 0.95

数据结构

每一行包含：

• audio：音频片段（时长约15秒）
• text：转录文本（由 Gemini 和 ASR 对齐生成）
• chunk_uid：片段的唯一标识符

处理方式

有声书被切分为短片段，并通过 Gemini 和两套独立的 ASR 系统与转录文本对齐，对齐置信度 ≥ 0.95。

说话人信息

属性	内容
聚类编号	speaker_02
平均相似度评分	0.937
最接近的数据集	kuzma_chorny_zyamlya_output (相似度 0.98)

说话人通过 WavLM-Base+ 模型识别（余弦相似度，阈值 0.82）。

所属合集

该数据集是 Ministerskija 合集的一部分——白俄罗斯语有声书的对齐音频与转录数据集。

搜集汇总

数据集介绍

构建方式

本数据集源自白俄罗斯经典文学作品《Сасна пры дарозе》（伊万·纳乌缅科著），专注于构建高质量的白俄罗斯语自动语音识别（ASR）训练资源。数据集的构建过程严谨而精细：首先，对原始有声书音频进行切割，生成时长约为15秒的短片段；随后，利用Gemini模型与两套独立的ASR系统协同工作，将音频片段与文本转录进行高精度对齐，最终仅保留对齐置信度不低于0.95的高质量匹配结果，确保了音频与文本在时间上的精确同步。

特点

该数据集具有鲜明的特点：其一，语言纯正，全部为白俄罗斯语，为小语种语音识别研究提供了宝贵资源；其二，数据规模适中，HuggingFace上已发布8,899条对齐片段，总时长约37小时57分钟，适合作为模型微调或评估的基准；其三，所有片段均来源于同一朗读者（说话人聚类为speaker_02），其声学特征高度一致，平均相似度达0.937，有效减少了说话人多样性带来的噪声干扰，便于聚焦于语言模型本身的性能验证。

使用方法

在使用本数据集时，每条数据包含三个关键字段：`audio`字段提供了切割好的音频片段，可直接加载用于声学特征提取；`text`字段存储了经过对齐的精确文本转录，可作为监督学习的标签；`chunk_uid`字段则为每个片段赋予了唯一标识符，便于数据追溯与管理。研究者可轻松地将此数据集加载至HuggingFace Datasets框架中，用于白俄罗斯语的语音识别模型训练、对齐算法评估或跨数据集说话人识别测试。

背景与挑战

背景概述

在白俄罗斯语自然语言处理领域，高质量语音资源的匮乏长期制约着该语种自动语音识别技术的发展。2024年，由fosters团队主导构建的白俄罗斯语有声书语音数据集“Сасна пры дарозе”正式发布，该数据集基于伊万·纳乌缅科的同名文学作品，由speaker_02朗读者录制，总时长约38小时，包含8899条经过对齐的音频-文本对。数据集的诞生得益于Ministerskija项目，其核心研究问题在于为低资源语言提供高置信度的对齐语音数据，以推动白俄罗斯语ASR系统的进步。该数据集通过Gemini模型与双ASR系统的联合对齐策略，确保了转录与音频的精准匹配，为白俄罗斯语语音研究树立了新的基准，对提升该语种的技术可及性具有里程碑意义。

当前挑战

该数据集所解决的领域挑战在于白俄罗斯语作为低资源语言，长期面临标注数据稀缺、语音-文本对齐精度不足以及说话人多样性缺乏等问题。在构建过程中，团队面临多重技术困难：首先，有声书原始音频时长较长，需自动分割为约15秒的短片段，分割点需与语义边界保持合理对应；其次，转录文本来源于自动语音识别与生成模型，需通过双ASR系统独立推理与一致性校验来剔除错误对齐，并设定置信度阈值≥0.95以保障数据质量；此外，说话人身份识别依赖WavLM-Base+模型进行余弦相似度聚类，需确保同一说话人内部的声学一致性。这些挑战的克服推动了低资源场景下高质量语音数据集的自动化构建方法论的发展。

常用场景

经典使用场景

该数据集专为白俄罗斯语自动语音识别（ASR）任务而设计，其核心用途在于训练和评估低资源语言的语音识别模型。具体而言，数据集包含了由指定朗读者（speaker_02）录制的白俄罗斯语有声书片段，每段音频时长约15秒，并配有经过双重ASR系统对齐的高置信度转录文本（置信度阈值≥0.95）。研究者可直接利用该数据集微调预训练的ASR模型（如Wav2Vec2或Whisper），以提升模型在白俄罗斯语这一低资源语言上的识别准确率，尤其适用于仅含单一说话人的语音场景。

实际应用

在实际应用中，该数据集直接服务于白俄罗斯语的语音交互系统开发。例如，可基于该数据训练的ASR模型构建白俄罗斯语语音助手、有声书自动字幕生成工具或听障人士辅助系统。此外，该数据集也是白俄罗斯数字文化遗产保护项目的重要组成部分——通过对经典文学有声书进行高精度转录，为后续的文本分析、语音合成及语言教学资源开发奠定了数据基础。其对齐技术流程还可复用于其他低资源语言的语音数据集构建，具有显著的工程推广价值。

衍生相关工作

该数据集是‘Ministerskija’有声书集合的第2个说话人子集，其直接衍生了系列工作。在此之前有基于相同对齐方案的‘kuzma_chorny_zyamlya_output’数据集（与当前说话人语音相似度高达0.98）；后续该方案可延伸至其他白俄罗斯语文学作品有声书，逐步构建多说话人、多风格的完整数据集。同时，数据集中使用的WavLM-Base+说话人嵌入模型与基于Gemini的ASR对齐方法形成了标准化数据处理流程，为低资源环境下的语音数据集创建提供了可复用的方法论框架。