mrtv_news_voices
收藏资源简介：
MRTV Voices是一个大规模的缅甸语音数据集，由公开的新闻广播和节目构成，来自缅甸官方国家电视台Myanma Radio and Television (MRTV)。数据集包含超过130,000个短音频片段和对应的转录文本，适合用于自动语音识别（ASR）、语言模型微调、媒体分析以及缅甸语音研究。
MRTV Voices is a large-scale Myanmar speech dataset, which consists of public news broadcasts and programs sourced from Myanma Radio and Television (MRTV), Myanmar's official state-run national broadcaster. The dataset contains over 130,000 short audio clips along with their corresponding transcriptions, and is suitable for automatic speech recognition (ASR), language model fine-tuning, media analysis, and Myanmar speech research.
MRTV Voices 数据集概述
📜 基本元数据
- 许可证: CC0 1.0 Universal
- 官方名称: MRTV Voices
- 语言: 缅甸语 (my)
- 标签: speech, audio, asr, myanmar, burmese, cc0, webdataset, government-media, mrtv
- 任务类别: 自动语音识别, 音频分类
- 规模: 100K<n<1M
- 总时长: 116小时56分钟
- 片段数量: 130,782
- 分片数量: 1
- 格式: WebDataset (.tar.gz)
🗣️ 数据集简介
MRTV Voices 是一个大规模的缅甸语音数据集，来源于缅甸官方国家媒体 Myanma Radio and Television (MRTV) 公开的新闻广播和节目。
关键特点
- 包含超过 130,000个短音频片段（约117小时）
- 带有自动生成字幕的对齐文本
- 涵盖政府公报和官方报告中使用的正式缅甸语
- 清晰的发音、咬字和节奏，适合ASR训练
- 多样化的语音场景：新闻播报、现场报道、访谈和公告
📂 数据集结构
数据集采用 WebDataset格式 打包为单个 .tar.gz 文件 (mrtv_voices_000001.tar.gz)。
每个音频-文本对包含
.mp3文件：短音频片段（通常1-6秒）.json文件：包含文本和上下文信息的元数据
元数据字段
| 字段 | 描述 |
|---|---|
file_name |
片段文件名 |
original_file |
原始MRTV视频文件名 |
transcript |
缅甸语字幕文本 |
duration |
音频时长（秒） |
video_url |
原始视频链接 |
language |
语言代码（"my"） |
title |
广播或片段的标题 |
description |
附加上下文或社交标题 |
view_count |
观看次数 |
like_count |
点赞数 |
comment_count |
评论数 |
repost_count |
转发/分享数 |
channel |
频道名称（如"MRTV"） |
upload_date |
上传日期（YYYYMMDD格式） |
hashtags |
标签列表 |
thumbnail |
缩略图URL |
source |
来源（"Myanma Radio and Television"） |
⚠️ 局限性
- 宣传内容: 包含民族主义、反民主、反西方或种族偏见观点
- 无人工校正: 约25-35%的文本可能存在拼写错误、标点符号问题或缺失单词
- 审查偏见: 某些话题（如异议、抗议）可能缺失或被歪曲
- 说话人多样性不足: 主要是正式新闻或公关场景，缺乏街头语言、方言和青年俚语
- ASR挑战: 部分字幕对齐不良或分割错误
✅ 使用价值
- 即使丢弃有噪声的样本，仍可保留超过 100,000个高质量的缅甸语音-文本对
- 适合ASR训练、强制对齐或语言模型预训练
- 是目前最大的开放缅甸语音数据集之一
📜 许可证与意图
- 采用 CC0 1.0 Universal 许可证
- 内容来源于MRTV在TikTok上公开可访问的频道
允许用途
- 使用、修改和重新分发数据集
- 训练开源或商业AI模型
- 构建有助于保存缅甸语的工具
- 分析、审计或批判媒体以进行公共问责
禁止用途
- 歪曲数据来源
- 使用声音或文本冒充真实人物或支持意识形态
- 声称拥有原始MRTV媒体内容的所有权
📚 引用格式
bibtex @misc{freococo2025mrtvvoices, title = {MRTV Voices: A Burmese Speech Dataset from State Broadcasts}, author = {freococo}, year = {2025}, howpublished = {Hugging Face Datasets}, url = {https://huggingface.co/datasets/freococo/mrtv_voices} }
