CodecSR/librispeech_female

---
dataset_info:
features:
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: text
dtype: string
- name: id
dtype: string
- name: gender
dtype: string
splits:
- name: original
num_bytes: 360835496.476
num_examples: 2767
- name: academicodec_hifi_16k_320d
num_bytes: 615679237.476
num_examples: 2767
- name: academicodec_hifi_16k_320d_large_uni
num_bytes: 615679237.476
num_examples: 2767
- name: academicodec_hifi_24k_320d
num_bytes: 923436677.476
num_examples: 2767
- name: audiodec_24k_320d
num_bytes: 924874117.476
num_examples: 2767
- name: dac_16k
num_bytes: 616326931.476
num_examples: 2767
- name: dac_24k
num_bytes: 924197381.476
num_examples: 2767
- name: dac_44k
num_bytes: 1697722995.476
num_examples: 2767
- name: encodec_24k_12bps
num_bytes: 924197381.476
num_examples: 2767
- name: encodec_24k_1_5bps
num_bytes: 924197381.476
num_examples: 2767
- name: encodec_24k_24bps
num_bytes: 924197381.476
num_examples: 2767
- name: encodec_24k_3bps
num_bytes: 924197381.476
num_examples: 2767
- name: encodec_24k_6bps
num_bytes: 924197381.476
num_examples: 2767
- name: funcodec_en_libritts_16k_gr1nq32ds320
num_bytes: 616223409.476
num_examples: 2767
- name: funcodec_en_libritts_16k_gr8nq32ds320
num_bytes: 616223409.476
num_examples: 2767
- name: funcodec_en_libritts_16k_nq32ds320
num_bytes: 616326931.476
num_examples: 2767
- name: funcodec_en_libritts_16k_nq32ds640
num_bytes: 616326931.476
num_examples: 2767
- name: funcodec_zh_en_16k_nq32ds320
num_bytes: 616326931.476
num_examples: 2767
- name: funcodec_zh_en_16k_nq32ds640
num_bytes: 616326931.476
num_examples: 2767
- name: speech_tokenizer_16k
num_bytes: 616963717.476
num_examples: 2767
download_size: 15152097953
dataset_size: 15614457244.519999
configs:
- config_name: default
data_files:
- split: original
path: data/original-*
- split: academicodec_hifi_16k_320d
path: data/academicodec_hifi_16k_320d-*
- split: academicodec_hifi_16k_320d_large_uni
path: data/academicodec_hifi_16k_320d_large_uni-*
- split: academicodec_hifi_24k_320d
path: data/academicodec_hifi_24k_320d-*
- split: audiodec_24k_320d
path: data/audiodec_24k_320d-*
- split: dac_16k
path: data/dac_16k-*
- split: dac_24k
path: data/dac_24k-*
- split: dac_44k
path: data/dac_44k-*
- split: encodec_24k_12bps
path: data/encodec_24k_12bps-*
- split: encodec_24k_1_5bps
path: data/encodec_24k_1_5bps-*
- split: encodec_24k_24bps
path: data/encodec_24k_24bps-*
- split: encodec_24k_3bps
path: data/encodec_24k_3bps-*
- split: encodec_24k_6bps
path: data/encodec_24k_6bps-*
- split: funcodec_en_libritts_16k_gr1nq32ds320
path: data/funcodec_en_libritts_16k_gr1nq32ds320-*
- split: funcodec_en_libritts_16k_gr8nq32ds320
path: data/funcodec_en_libritts_16k_gr8nq32ds320-*
- split: funcodec_en_libritts_16k_nq32ds320
path: data/funcodec_en_libritts_16k_nq32ds320-*
- split: funcodec_en_libritts_16k_nq32ds640
path: data/funcodec_en_libritts_16k_nq32ds640-*
- split: funcodec_zh_en_16k_nq32ds320
path: data/funcodec_zh_en_16k_nq32ds320-*
- split: funcodec_zh_en_16k_nq32ds640
path: data/funcodec_zh_en_16k_nq32ds640-*
- split: speech_tokenizer_16k
path: data/speech_tokenizer_16k-*
---

### 数据集信息
#### 数据特征
该数据集包含以下四类数据字段：
1. **audio**：音频字段，数据类型为音频流格式，采样率为16000Hz
2. **text**：文本字段，数据类型为字符串
3. **id**：样本标识符字段，数据类型为字符串
4. **gender**：性别属性字段，数据类型为字符串

#### 数据拆分
所有数据拆分的样本总量均为2767条，各拆分的存储字节数如下：
- `original`：360,835,496.476 字节
- `academicodec_hifi_16k_320d`：615,679,237.476 字节
- `academicodec_hifi_16k_320d_large_uni`：615,679,237.476 字节
- `academicodec_hifi_24k_320d`：923,436,677.476 字节
- `audiodec_24k_320d`：924,874,117.476 字节
- `dac_16k`：616,326,931.476 字节
- `dac_24k`：924,197,381.476 字节
- `dac_44k`：1,697,722,995.476 字节
- `encodec_24k_12bps`：924,197,381.476 字节
- `encodec_24k_1_5bps`：924,197,381.476 字节
- `encodec_24k_24bps`：924,197,381.476 字节
- `encodec_24k_3bps`：924,197,381.476 字节
- `encodec_24k_6bps`：924,197,381.476 字节
- `funcodec_en_libritts_16k_gr1nq32ds320`：616,223,409.476 字节
- `funcodec_en_libritts_16k_gr8nq32ds320`：616,223,409.476 字节
- `funcodec_en_libritts_16k_nq32ds320`：616,326,931.476 字节
- `funcodec_en_libritts_16k_nq32ds640`：616,326,931.476 字节
- `funcodec_zh_en_16k_nq32ds320`：616,326,931.476 字节
- `funcodec_zh_en_16k_nq32ds640`：616,326,931.476 字节
- `speech_tokenizer_16k`：616,963,717.476 字节

该数据集的总下载大小为15,152,097,953字节，总存储大小为15,614,457,244.52字节。

#### 配置项
默认配置下，数据拆分与文件路径的对应关系如下：
- `original` 拆分对应文件路径 `data/original-*`
- `academicodec_hifi_16k_320d` 拆分对应文件路径 `data/academicodec_hifi_16k_320d-*`
- `academicodec_hifi_16k_320d_large_uni` 拆分对应文件路径 `data/academicodec_hifi_16k_320d_large_uni-*`
- `academicodec_hifi_24k_320d` 拆分对应文件路径 `data/academicodec_hifi_24k_320d-*`
- `audiodec_24k_320d` 拆分对应文件路径 `data/audiodec_24k_320d-*`
- `dac_16k` 拆分对应文件路径 `data/dac_16k-*`
- `dac_24k` 拆分对应文件路径 `data/dac_24k-*`
- `dac_44k` 拆分对应文件路径 `data/dac_44k-*`
- `encodec_24k_12bps` 拆分对应文件路径 `data/encodec_24k_12bps-*`
- `encodec_24k_1_5bps` 拆分对应文件路径 `data/encodec_24k_1_5bps-*`
- `encodec_24k_24bps` 拆分对应文件路径 `data/encodec_24k_24bps-*`
- `encodec_24k_3bps` 拆分对应文件路径 `data/encodec_24k_3bps-*`
- `encodec_24k_6bps` 拆分对应文件路径 `data/encodec_24k_6bps-*`
- `funcodec_en_libritts_16k_gr1nq32ds320` 拆分对应文件路径 `data/funcodec_en_libritts_16k_gr1nq32ds320-*`
- `funcodec_en_libritts_16k_gr8nq32ds320` 拆分对应文件路径 `data/funcodec_en_libritts_16k_gr8nq32ds320-*`
- `funcodec_en_libritts_16k_nq32ds320` 拆分对应文件路径 `data/funcodec_en_libritts_16k_nq32ds320-*`
- `funcodec_en_libritts_16k_nq32ds640` 拆分对应文件路径 `data/funcodec_en_libritts_16k_nq32ds640-*`
- `funcodec_zh_en_16k_nq32ds320` 拆分对应文件路径 `data/funcodec_zh_en_16k_nq32ds320-*`
- `funcodec_zh_en_16k_nq32ds640` 拆分对应文件路径 `data/funcodec_zh_en_16k_nq32ds640-*`
- `speech_tokenizer_16k` 拆分对应文件路径 `data/speech_tokenizer_16k-*`

原始信息汇总

数据集概述

数据集特征

• audio: 采样率为16000的音频数据。
• text: 文本数据，数据类型为字符串。
• id: 标识符，数据类型为字符串。
• gender: 性别信息，数据类型为字符串。

数据集分割

• original: 原始数据集，包含2767个样本，总大小为360835496.476字节。
• academicodec_hifi_16k_320d: 包含2767个样本，总大小为615679237.476字节。
• academicodec_hifi_16k_320d_large_uni: 包含2767个样本，总大小为615679237.476字节。
• academicodec_hifi_24k_320d: 包含2767个样本，总大小为923436677.476字节。
• audiodec_24k_320d: 包含2767个样本，总大小为924874117.476字节。
• dac_16k: 包含2767个样本，总大小为616326931.476字节。
• dac_24k: 包含2767个样本，总大小为924197381.476字节。
• dac_44k: 包含2767个样本，总大小为1697722995.476字节。
• encodec_24k_12bps: 包含2767个样本，总大小为924197381.476字节。
• encodec_24k_1_5bps: 包含2767个样本，总大小为924197381.476字节。
• encodec_24k_24bps: 包含2767个样本，总大小为924197381.476字节。
• encodec_24k_3bps: 包含2767个样本，总大小为924197381.476字节。
• encodec_24k_6bps: 包含2767个样本，总大小为924197381.476字节。
• funcodec_en_libritts_16k_gr1nq32ds320: 包含2767个样本，总大小为616223409.476字节。
• funcodec_en_libritts_16k_gr8nq32ds320: 包含2767个样本，总大小为616223409.476字节。
• funcodec_en_libritts_16k_nq32ds320: 包含2767个样本，总大小为616326931.476字节。
• funcodec_en_libritts_16k_nq32ds640: 包含2767个样本，总大小为616326931.476字节。
• funcodec_zh_en_16k_nq32ds320: 包含2767个样本，总大小为616326931.476字节。
• funcodec_zh_en_16k_nq32ds640: 包含2767个样本，总大小为616326931.476字节。
• speech_tokenizer_16k: 包含2767个样本，总大小为616963717.476字节。

数据集大小

• 下载大小: 15152097953字节。
• 数据集总大小: 15614457244.519999字节。

配置文件

• config_name: default
• data_files: 列出了所有分割的数据文件路径。

搜集汇总

数据集介绍

构建方式

在语音编码与合成领域，高质量且性别特征明确的数据集对于模型训练至关重要。CodecSR/librispeech_female数据集基于LibriSpeech语料库构建，专注于筛选出所有女性说话人的语音样本。原始数据经过16kHz重采样处理，确保音频格式统一，同时保留了对应的文本转录、唯一标识符及性别标签。该数据集进一步通过多种先进的神经编解码器进行重编码，生成了包括AcademiCodec、AudioDec、DAC、EnCodec、Funcodec以及SpeechTokenizer在内的20余种不同配置的编解码特征子集，覆盖了从16kHz到44kHz的采样率与多种码率设定，为研究不同编解码方案对女性语音的重建质量提供了标准化评测基准。

特点

该数据集最显著的特点在于其高度结构化的多版本设计，共计包含21个数据拆分，每个拆分均包含相同的2767条女性语音样本，但分别对应不同的编解码器与参数配置。这种设计使得研究者能够在控制说话人、内容与性别的条件下，直接对比各类编解码算法（如EnCodec在1.5至24bps不同码率下的表现、DAC在16k至44k采样率下的性能）对语音质量的影响。此外，数据集保留了原始音频与文本对齐信息，支持从波形到离散编码的完整研究链路，特别适用于语音压缩、音质评估、以及基于离散表示的语音合成等任务。

使用方法

使用该数据集时，可通过Hugging Face Datasets库加载，指定config_name为'default'后，利用split参数选择所需的编解码版本，例如'split="encodec_24k_6bps"'即可获取经EnCodec以24kHz采样率、6bps码率压缩后的特征。每个样本包含'audio'字段（提供16kHz原始波形）、'text'转录文本、'id'标识符及'gender'性别信息。研究者可根据任务需求，直接使用原始音频进行语音识别训练，或利用编解码特征子集开展语音编解码器的性能评测与模型微调，实现灵活高效的数据调用。

背景与挑战

背景概述

CodecSR/librispeech_female数据集是语音编码与超分辨率研究领域的重要资源，由相关研究团队基于LibriSpeech语料库构建，旨在探索女性语音在多种编解码器下的表征质量与重构性能。该数据集创建于深度学习音频处理技术蓬勃发展的时期，核心研究问题聚焦于不同编解码器（如EnCodec、DAC、Funcodec等）在不同采样率与比特率条件下对女性语音信号的压缩与还原效果，进而为语音编解码器的评估与优化提供标准化基准。其影响力体现在为学术界和工业界提供了一个统一的多编解码器对比平台，推动了语音编码技术的公平比较与性能提升，尤其在低比特率语音通信和高质量语音合成等应用中具有重要参考价值。

当前挑战

该数据集所解决的领域问题主要包括语音编解码器的性能评估与超分辨率重构。当前面临的挑战之一在于，不同编解码器在16kHz、24kHz乃至44kHz采样率下对女性语音的处理效果差异显著，如何客观量化并比较这些差异仍缺乏统一度量标准。构建过程中，数据集的挑战体现在需对同一批语音样本进行多达二十种不同编解码器的预处理与标注，确保各分片数据在音频内容、说话人身份和性别标签上的一致性，同时管理庞大的数据存储规模（约15GB），并维护从原始音频到多种编码版本之间的精确映射关系，这对数据清洗与质量控制提出了极高要求。

常用场景

经典使用场景

LibriSpeech Female数据集作为语音编码与压缩研究的标杆性资源，其核心用途在于评估和对比不同神经音频编解码器的性能。该数据集提供了原始16kHz采样语音以及经由AcademiCodec、EnCodec、DAC、Funcodec等多种前沿模型在16kHz、24kHz、44kHz采样率下、不同比特率（如1.5至24bps）处理后的重建音频，为衡量语音质量、压缩效率与感知失真提供了标准化的基准测试平台。

实际应用

在实际应用中，该数据集为低带宽通信、智能语音助手及听觉辅助设备等场景的语音压缩方案选型提供了可靠依据。开发人员可基于其丰富的预编码数据，快速验证不同编解码器在资源受限环境下的表现，从而优化实时语音传输的带宽占用与接收端语音清晰度。此外，它还可用于训练和微调面向女性用户的个性化语音增强与合成模型。

衍生相关工作

该数据集衍生了一系列关于神经语音编解码器性能对比与改进的经典工作。研究者利用其多版本编码数据，分析了AcademiCodec、EnCodec等模型在不同码率下的率失真特性，并提出了新的感知损失函数或网络架构以提升重建质量。同时，它也被用于探索语音离散表示在文本到语音合成及语音理解任务中的迁移能力，催生了如Funcodec等联合编解码与语言建模的创新框架。