OpenVoiceOS/ovos-localize-intents

OpenVoiceOS Localize — 意图分类数据集是一个多语言意图分类语料库，从OpenVoiceOS/ovos-localize导出。每行数据代表一个扩展的话语，标注了生成它的OVOS技能和意图文件。模板已完全扩展（括号交替已解析），同时保留了.intent文件中的{slot_name}占位符，以便模型学习携带槽位的模式。数据集支持包括加泰罗尼亚语、捷克语、丹麦语、德语、希腊语、英语、西班牙语、巴斯克语、波斯语、法语、加利西亚语、匈牙利语、意大利语、荷兰语、波兰语、葡萄牙语、罗马尼亚语、俄语、瑞典语和土耳其语在内的多种语言，用于文本分类任务，规模在10万到100万样本之间，采用Apache-2.0许可证。数据由ovos-localize数据管道从实时OVOS技能仓库生成，是OpenVoiceOS意图分类数据集集合的一部分。

OpenVoiceOS Localize is a multilingual intent classification corpus exported from OpenVoiceOS/ovos-localize. Each row in the dataset represents an expanded utterance, annotated with the OVOS skill and intent file from which it was generated. Templates have been fully expanded with parenthetical alternations resolved, while the {slot_name} placeholders in .intent files are retained to enable models to learn slot-aware patterns. This dataset supports over 20 languages including Catalan, Czech, Danish, German, Greek, English, Spanish, Basque, Persian, French, Galician, Hungarian, Italian, Dutch, Polish, Portuguese, Romanian, Russian, Swedish and Turkish for text classification tasks. It contains between 100,000 and 1,000,000 samples and is licensed under Apache-2.0. The data is generated from live OVOS skill repositories via the ovos-localize data pipeline, and is part of the OpenVoiceOS intent classification dataset collection.

原始信息汇总

数据集概述：OpenVoiceOS/ovos-localize-intents

基本信息

• 任务：文本分类（Text Classification）
• 模态：文本（Text）
• 格式：CSV
• 数据集大小：100K - 1M 行（实际225,200行）
• 总文件大小：20.6 MB
• 许可协议：Apache-2.0

数据集描述

多语言意图分类语料库，从 OpenVoiceOS/ovos-localize 导出。每一行代表一个单独的、已展开的表述，并标注了产生该表述的 OVOS 技能和意图文件。模板已被完全展开（括号内的交替选项已解析）；来自 .intent 文件的 {slot_name} 占位符被原样保留，以便模型学习携带槽位的模式。

数据模式（Schema）

列名	描述
lang	BCP-47 区域代码（如 en-US, pt-PT）
domain	OVOS 技能 ID（如 ovos-skill-hello-world）
intent	源文件名（如 HelloWorldKeyword.voc, HowAreYou.intent）
sentence	展开并清理后的表述文本

语言（Languages）

共22种语言，包括： ca-ES, cs-CZ, da-DK, de-DE, el-GR, en-US, es-ES, eu-ES, fa-IR, fr-FR, gl-ES, hu-HU, it-IT, nl-NL, pl-PL, pt-BR, pt-PT, ro-RO, ru-RU, sv-FI, sv-SE, tr-TR

数据来源

由 ovos-localize 数据管道每天从活跃的 OVOS 技能仓库生成。

数据集划分

• 训练集（train）：225,000 行

标签

• Tags：ovos, voice-assistant, intent-classification, nlu, multilingual
• Libraries：Datasets, pandas, Polars, + 1
• domain 列共有46个不同的值
• intent 列共有190个不同的值

搜集汇总

数据集介绍

构建方式

该数据集源自OpenVoiceOS生态系统的本地化工具链ovos-localize，通过自动化流水线每日从活跃的OVOS技能仓库中生成。每条样本对应一条经过完整展开的语料，其中模板中的方括号交替枚举已被解析为具体的自然语言表述，而{slot_name}占位符则被原样保留，以便模型习得槽位承载的句法模式。数据集涵盖的领域包括OVOS技能的唯一标识符（如ovos-skill-hello-world）及其对应的意图文件名称，所有样本均按BCP-47语言区域编码标记，形成结构清晰的多语种意图分类语料。

使用方法

该数据集主要适用于多语种意图分类任务的模型训练与评估，支持以文本分类为核心的监督学习范式。用户可直接使用'sentence'字段作为输入，结合'intent'标签进行意图识别模型的训练，亦可利用'lang'与'domain'列实现语言专属或技能专属的子集划分。对于需要处理槽位填充的对话系统，模型可通过学习保留的{slot_name}占位符来泛化至未见实例。数据以Apache-2.0许可发布，便于在学术研究及商业场景中自由使用。

背景与挑战

背景概述

在多语言语音助手系统迅速发展的背景下，意图分类作为自然语言理解的核心任务，其性能直接决定了人机交互的精准度与流畅性。OpenVoiceOS Localize — Intent Classification Dataset 于近年来由 OpenVoiceOS 社区构建，旨在为开源语音助手框架提供高质量的多语言意图分类语料。该数据集提取自 OpenVoiceOS 的本地化流水线，覆盖 20 余种语言及地区变体，如加泰罗尼亚语、捷克语、波斯语等，每条样本均标注了所属技能域与意图文件来源，显著丰富了低资源语言的训练材料。通过将模板化表达完全展开并保留槽位占位符，该数据集支持模型学习携带参数的意图模式，对推动多语言、可扩展的语音助手研究与开源生态具有重要影响力。

当前挑战

该数据集首要应对的领域挑战在于多语言意图分类中跨语种泛化能力不足的问题，尤其是在低资源语言上缺乏大规模标注语料，导致模型难以准确识别用户意图。此外，不同语言的语法结构与表达习惯差异显著，进一步加剧了语义对齐的难度。构建过程中面临的核心挑战包括：如何从分散的 OVOS 技能仓库中自动化提取并统一格式，确保模板充分展开且槽位信息保留完整；如何维护覆盖 20 余种语言变体的大规模流水线，应对每日持续生成的语料质量监控与一致性校验；以及如何在开源社区协作模式下，平衡各语言贡献者的标注规范与更新频率，从而形成可靠、持续可用的训练资源。

常用场景

经典使用场景

在多语言语音助手的研发浪潮中，意图识别作为自然语言理解的核心环节，其性能直接决定了人机交互的流畅度与准确性。OpenVoiceOS Localize意图分类数据集（ovos-localize-intents）正是为应对这一挑战而生，它被广泛用于训练和评估面向开放域语音助手的多语言意图分类模型。该数据集涵盖了超过20种语言区域，每条样本均源自真实技能仓库中的意图模板经过完全展开后形成的自然语句，并保留了关键的槽位占位符，使得模型在习得意图分类能力的同时，能够有效捕捉携带槽位的句法模式。研究人员常利用此数据集来构建轻量级、跨语言的意图分类器，从而支撑起如OpenVoiceOS等开源语音助手平台在多语言环境下的精准服务调遣。

解决学术问题

该数据集的出现有效地缓解了多语言意图分类研究中长期存在的数据稀缺与领域偏移问题。在学术层面，它为跨语言自然语言理解提供了高质量的基准测试资源，使得研究者得以系统性地探究不同语言、不同文化背景下用户意图表达方式的共性与差异。通过覆盖二十余种涵盖罗曼语族、日耳曼语族、斯拉夫语族及部分孤立语言的语种，该数据集推动了零样本与少样本跨语言迁移学习方法的进步，并为多任务学习框架中意图分类与槽位填充的联合建模提供了宝贵的实验基础。其意义在于，不仅降低了构建多语言语音助手的门槛，更促进了语言多样性在人工智能研究中的公平体现，激励了更具包容性的通用对话理解范式的诞生。

实际应用

在实际应用场景中，该数据集成为了智能音箱、车载语音系统、移动端虚拟助理等产品中多语言意图识别模块的训练基石。开发者可以利用它快速适配面向不同国家或地区的本地化服务，例如为法国用户提供法语的天气预报查询、为土耳其用户配置土耳其语的日程管理功能。由于其数据来源于OpenVoiceOS这一活跃的开放语音操作系统生态，该数据集天然兼容了上百种现有技能，使得初创团队或开源社区能够以极低的成本将产品从单一语言扩展至全球市场。此外，数据集中的语句保留了槽位标记，使得真实部署时的口语理解管线能够无缝识别如“把灯调暗到50%”这类包含可承载变量的指令，显著提升了交互的自然度与鲁棒性。

数据集最近研究

最新研究方向

ovos-localize-intents数据集聚焦于多语种意图分类的前沿探索，尤其在开放语音助手领域，它与OpenVoiceOS生态紧密相连，反映了当前智能语音交互系统向多语言、跨文化适应性演进的趋势。该数据集通过从活跃的OVOS技能仓库中自动生成并扩展话语模板，为训练模型识别携带槽位的模式提供了精细标注，推动了自然语言理解在低资源语言和方言上的鲁棒性研究。其持续集成的流水线设计，支持实时更新的技能意图，使研究能紧跟社区热点如个性化语音助理和多模态交互的融合，对构建开放、可扩展的对话系统具有重要意义，助力打破语言壁垒，促进人工智能技术的包容性发展。