SEACrowd/voxlingua

VoxLingua107是一个综合语音数据集，专为训练语音语言识别模型而设计。该数据集包含从YouTube视频中提取的短语音片段，并根据视频标题和描述中的语言进行标注。数据集覆盖107种语言，总共有6628小时的语音数据，平均每种语言有62小时的数据，但每种语言的实际数据量差异较大。此外，还有一个独立的开发集，包含来自33种语言的1609个语音片段，这些片段至少由两名志愿者验证，以确保语言表示的准确性。