遇见数据集

small-overlapping-speech-bench

收藏
Hugging Face2026-06-05 更新2026-06-06 收录
官方服务:

资源简介:

Small Overlapping Speech Bench是一个小型、完全可复现的多语言重叠语音基准测试数据集,旨在对自动语音识别和说话人日志模型进行“鸡尾酒会”式的压力测试,评估模型在多人同时说话场景下的性能。数据集包含100个音频片段,每个片段时长约15至26秒,为单声道16 kHz MP3格式。每个片段模拟三人同时说话的场景,三人分别使用三种不同的欧洲语言:德语、法语、西班牙语、意大利语、荷兰语和葡萄牙语。数据集提供精确的真实标注,包括每个片段的唯一标识符、总时长、说话人数量、语言列表,以及针对每个说话人的详细信息,如说话人ID、所用语言、语言代码、源说话人ID、在混合音频中的精确起止时间戳和转录文本,这些时间戳信息也使数据集可作为说话人日志任务的真实标注。数据来源于Multilingual LibriSpeech数据集,通过可复现的流程构建:从源数据中筛选特定长度和说话人多样性的单说话人语音片段,进行RMS响度归一化后,以交错重叠的时间安排进行混合,并求和限幅输出最终片段。评估采用内容词召回率指标,以解决重叠多语言语音中词序未定义的问题。数据集适用于多语言自动语音识别、重叠语音处理、说话人日志和“鸡尾酒会问题”相关研究。需要注意的是,语音源自有声书朗读,因此重叠是合成的而非自然对话;荷兰语片段较少;数据集规模较小,主要用于快速、低成本的模型压力测试,且混合条件理想化,如等响度、无混响和噪声。数据集采用CC-BY-4.0许可。

The Small Overlapping Speech Bench is a small, fully reproducible multilingual overlapping speech benchmark dataset designed as a "cocktail party" stress test for automatic speech recognition (ASR) and speaker diarization models, to evaluate their performance in scenarios with multiple simultaneous speakers. This dataset contains 100 audio clips, each with a duration of approximately 15 to 26 seconds, and is provided in mono-channel 16 kHz MP3 format. Each clip simulates a scenario with three simultaneous speakers, each using one of six distinct European languages: German, French, Spanish, Italian, Dutch, and Portuguese. It provides precise ground-truth annotations for every clip, including unique clip identifiers, total duration, number of speakers, language list, and detailed per-speaker information such as speaker ID, language used, language code, source speaker ID, exact start and end timestamps in the mixed audio, and transcript text. These timestamp annotations also enable the dataset to serve as ground truth for the speaker diarization task. The dataset is derived from the Multilingual LibriSpeech dataset and constructed via a reproducible workflow: single-speaker speech clips with specific duration and speaker diversity are first filtered from the source data, then normalized via RMS loudness normalization, mixed with staggered overlapping timing, and finally output via summation and clipping. Evaluation uses the content word recall metric to address the issue of undefined word order in overlapping multilingual speech. This dataset is suitable for research on multilingual automatic speech recognition, overlapping speech processing, speaker diarization, and related studies on the "cocktail party problem". It should be noted that the speech sources are derived from audiobook readings, so the overlapping is synthetic rather than natural conversation; there are relatively few Dutch clips; the dataset is small in scale, primarily intended for fast, low-cost stress testing of models, and the mixing conditions are idealized, such as equal loudness, no reverb, and no noise. The dataset is licensed under CC-BY-4.0.

提供机构:
LAION eV
创建时间:
2026-06-05
原始信息汇总

数据集概述

数据集名称:Small Overlapping Speech Bench

许可证:CC-BY-4.0

任务类别:自动语音识别 (ASR)

语言:德语、法语、西班牙语、意大利语、荷兰语、葡萄牙语

数据集大小:少于 1000 条样本

标签:重叠语音、多语言、说话人分离、ASR 基准、鸡尾酒会问题、语音


数据集内容

该数据集是一个小型的、完全可复现的多语言重叠语音基准测试集。包含 100 个音频片段,每个片段中有 三个人同时用三种不同的欧洲语言说话,并提供了每个说话人的真实时间戳、语言和转录文本。

  • 音频片段:100 个,每个包含 3 个同步说话人(使用 3 种语言),时长约 15-26 秒,单声道,16 kHz MP3 格式。
  • 语言:德语、法语、西班牙语、意大利语、荷兰语、葡萄牙语。
  • 数据来源:基于 facebook/multilingual_librispeech (CC-BY-4.0) 构建。
  • 包含内容:真实标注、评估脚本及 6 个 ASR 模型的结果。

数据文件结构

data/ clip_000.mp3 … clip_099.mp3 # 100 个重叠语音片段 metadata.jsonl # 每个片段的真实标注 (HF AudioFolder 格式) ground_truth.jsonl # 包含 "audio_file" 路径字段的真实标注 scripts/ # 重建和评估所需的脚本 metrics.json # 6 个 ASR 模型的基准测试得分 RESULTS.md / benchmark_report.html# 可读的结果报告

真实标注格式 (每个片段示例)

json { "clip_id": "clip_000", "duration": 26.18, "num_speakers": 3, "languages": ["italian", "portuguese", "french"], "speakers": [ {"id": "S1", "language": "italian", "code": "it", "src_speaker_id": 280, "start_time": 0.0, "end_time": 12.98, "transcript": "chiamando buon vulcano …"}, {"id": "S2", "language": "portuguese", "code": "pt", "src_speaker_id": 12287, "start_time": 6.717, "end_time": 17.097,"transcript": "constituíam uma destas …"}, {"id": "S3", "language": "french", "code": "fr", "src_speaker_id": 1406, "start_time": 12.59, "end_time": 26.18, "transcript": "sécria dabord le génie …"} ] }


使用方法

使用 datasets 库 (自动解码音频)

python from datasets import load_dataset ds = load_dataset("laion/small-overlapping-speech-bench", split="test") ex = ds[0] ex["audio"] # {array: np.ndarray (16 kHz mono), sampling_rate: 16000} ex["speakers"] # list of 3 dicts: language, code, start_time, end_time, transcript

不使用 datasets 库 (直接访问文件)

python from huggingface_hub import snapshot_download import json, librosa, os

root = snapshot_download("laion/small-overlapping-speech-bench", repo_type="dataset") gt = [json.loads(l) for l in open(os.path.join(root, "ground_truth.jsonl"))] for clip in gt: wav, sr = librosa.load(os.path.join(root, clip["audio_file"]), sr=16000, mono=True) for spk in clip["speakers"]: print(clip["clip_id"], spk["code"], spk["start_time"], spk["transcript"][:40])


构建方法

  1. 来源池:从 facebook/multilingual_librispeech 的测试集中获取 6 种语言的单说话人语音片段。
  2. 混合:为每个片段选择 3 种不同语言,将每个说话人的音频 RMS 归一化至同等响度,并以交错重叠的起始时间放置,叠加后导出为 16 kHz 单声道 MP3 文件。
  3. 随机性:所有随机过程均有种子控制,可逐比特重建。

评估指标

由于重叠多语言语音导致词错误率 (WER) 不适用,因此采用 内容词召回率 (Content-Word Recall)

  • 内容词:指长度 ≥ 3 个字母的单词。
  • 评分方式:对于每个真实标注的语音段,计算其内容词出现在模型转录文本中的比例,并报告总体、按语言、以及最好/最差说话人的召回率。
  • 捕获数 (capt/3):表示 3 个说话人中,有多少个被成功捕获(召回率 ≥ 30%)。
  • 说话人计数:对于说话人分离模型,报告其预测的说话人数与真实值(3)的对比。

部分模型测试结果 (内容词召回率)

模型 总体 最好/3 最差/3 capt/3
Nemotron 3.5 ASR — 1.12 s 块 38.8 65.4 10.4 1.86
Nemotron 3.5 ASR — 80 ms 块 33.8 60.4 7.9 1.62
Qwen3-ASR-1.7B 25.5 62.1 1.1 1.03
VibeVoice-ASR 25.3 43.8 5.4 1.27
Chorus-v1 16.3 37.7 1.2 0.55
Parakeet TDT v3 11.6 30.6 0.2 0.48
  • 核心结论:目前没有模型能完全转录所有三个说话人;Nemotron 3.5 转录能力最强;Sortformer 说话人计数能力最优。

已知局限

  • 朗读语音:来源于有声读物,非自然对话,重叠为人工合成。
  • 荷兰语样本少:MLS 荷兰语测试集说话人较少。
  • 规模小:仅 100 个片段,适合快速基准测试,非大规模评估集。
  • 混合方式:等响度混合,未模拟真实场景中的音量变化、混响和噪声。

许可与引用

  • 许可:CC-BY-4.0,继承自源语料库 Multilingual LibriSpeech。
  • 引用:请引用 Vinay Pratap 等人的论文《MLS: A Large-Scale Multilingual Dataset for Speech Research》。
搜集汇总
数据集介绍
small-overlapping-speech-bench 数据集图片
构建方式
Small Overlapping Speech Bench 数据集的构建依托于 Multilingual LibriSpeech 语料库,选取其中德语、法语、西班牙语、意大利语、荷兰语、葡萄牙语六种语言的测试集部分。研究者从每种语言中筛选出时长在5至14秒之间的单说话人语段,并限制每位说话人最多贡献六段语料以确保多样性。随后,通过精确的音频混合脚本,每段混合语音随机挑选三种不同语言的语段,经均方根归一化处理后,将三者以交错重叠的起始时间叠加合成,最终输出为16千赫兹、单声道、128千比特每秒的MP3音频文件,同时保存包含每位说话人语言、时间戳及转录文本的精确标注信息。所有随机过程均设定固定种子,保证了数据集的完全可复现性。
特点
该数据集的核心特点在于其极致的挑战性与高度的可控性。每段时长约15至26秒的混合音频内,三位说话人以三种不同欧洲语言同时朗读,天然构成了一个多语言“鸡尾酒会”测试场景。数据集不仅提供了精确到说话人级别的起止时间戳和语言标签,还包含完整的转录文本,使其同时支持语音识别与说话人日志任务的评估。其规模虽小(仅100个样本),却为评估模型在极端重叠条件下的表现提供了极具针对性的压力测试,并内置了内容词召回率等专为此场景设计的评价指标,避免了传统词错误率在多说话人无序重叠情况下的失效问题。
使用方法
用户可通过 HuggingFace Datasets 库便捷加载该数据集,调用 `load_dataset` 命令即可获得包含自动解码音频数组及说话人标注信息的样本。若不依赖该库,亦可直接从 HuggingFace Hub 下载整个仓库,通过解析 `ground_truth.jsonl` 文件获取标注数据,并利用 librosa 等音频库读取 MP3 文件进行自定义处理。数据集附带了完整的复现脚本和评估流程,用户可下载各 ASR 模型(如 Nemotron 3.5、Qwen3-ASR 等)的推理脚本,在调整路径常量后运行以重现基准测试结果,进而对比分析不同模型在重叠语音场景下的表现优劣。
背景与挑战
背景概述
Small Overlapping Speech Bench(简称SOS-Bench)是由LAION团队于近年创建的一个微小但完全可复现的多语言重叠语音基准数据集。该数据集针对自动语音识别(ASR)领域中的“鸡尾酒会问题”设计,旨在评估模型在多说话人同时发声场景下的语音分离与识别能力。每个测试样本包含三人在三种不同欧洲语言(德语、法语、西班牙语、意大利语、荷兰语、葡萄牙语)下同时说话的重叠音频,并配有精确的说话人时间戳、语言标签和转录文本。该基准基于Multilingual LibriSpeech构建,其发布为研究社区提供了一个标准化的压力测试工具,特别适用于评估端到端ASR模型在极端多语言重叠语音环境下的表现,对推动多说话人、多语言语音理解技术的发展具有重要意义。
当前挑战
SOS-Bench所解决的领域核心挑战在于多说话人、多语言重叠语音的准确识别。传统ASR系统在单说话人语音上表现优异,但面对三个说话人同时用不同语言讲话的场景时,词汇顺序难以定义,导致常用词错误率(WER)指标失效。为此,该基准引入了内容词召回率(content-word recall)作为替代评估指标。构建过程中面临的挑战包括:从Multilingual LibriSpeech的6种语言测试集中筛选合适长度的单说话人片段,同时确保说话人多样性;设计非自然交叠的混合算法,使三个说话人语音在时间上交错叠加,形成高难度的“鸡尾酒会”场景;以及处理荷兰语源数据较少导致的样本不平衡问题。最终生成的100个音频片段虽然规模小,但能有效揭示现有模型在语音覆盖率和说话人计数方面的显著不足。
常用场景
经典使用场景
Small Overlapping Speech Bench的经典使用场景在于评估多语言重叠语音环境下的自动语音识别(ASR)与说话人日志(Speaker Diarization)系统的鲁棒性。该数据集由100个精心合成的音频片段构成,每个片段包含三位说话人以不同欧洲语言同时发言,形成极具挑战性的“鸡尾酒会”式测试环境。研究者通过衡量模型对每位说话人内容词的召回率,以及准确识别语音中说话人数量的能力,来全面评估系统在极度嘈杂、多语交织场景下的表现。这一基准特别适合用于压力测试前沿的流式ASR模型,揭示了传统词错误率在重叠语音情境下的局限性。
实际应用
在实际应用中,该数据集所模拟的场景直接映射到多语会议记录、国际电话会议、智能音箱多用户交互以及助听设备等关键领域。例如,在跨国商务会议中,多位参与者可能同时使用不同语言发言,系统需实时分离各语音流并生成可读的逐语种转录文本。该基准帮助开发者筛选更适配的ASR模型,从而提升此类产品的实用可靠性。此外,基于该数据的评估结果可指导流式语音系统在延迟与准确性之间的权衡选择,例如验证长上下文窗口对重叠语音分割和转录的真实增益,最终推动更高效的多语种智能助手落地部署。
衍生相关工作
该数据集源自Multilingual LibriSpeech(MLS)语料库,其构建方法论已催生一系列衍生工作。例如,研究者利用其公开的构建脚本与评估代码,可快速复现基准结果并对比自定义模型;同时,该数据强调的合成重叠语音方案已被后续工作借鉴,用于生成更真实的对话式重叠语音数据集。此外,该基准的评估结果直接对比了Nemotron、Qwen3-ASR、Parakeet等主流ASR模型在极端重叠场景下的表现,揭示了不同架构与推理策略的优劣,为未来端到端说话人分离与多语识别联合建模研究提供了实证基础。该工作还推动了对内容词而非整句精度的评价方法的关注,启发了更鲁棒的重叠语音评估指标的设计。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务