Arabic Whisper多方言自动语音识别数据集是一个全面的阿拉伯语多方言语音识别数据集，专为Whisper模型微调而准备。该数据集包含了来自多个方言的高质量阿拉伯语音数据，包括现代标准阿拉伯语、埃及阿拉伯语和海湾阿拉伯语。数据集共有约105,000个音频-文本对，分为训练集、验证集和测试集，每个集合分别占总数据的90%、5%和5%。音频格式为16kHz单声道，文本为标准化的阿拉伯文字。

Hugging Face2025-11-13 更新110

linagora/linto-dataset-audio-ar-tn

阿拉伯语语音

代码转换语音识别

LinTO阿拉伯突尼斯语音频数据集是一个包含多种音频内容（如音乐、纪录片、播客等）和对应转录文本的多样化集合。该数据集主要专注于支持突尼斯方言的语音识别任务，并包含一些法语和英语的代码转换实例。数据集分为多个配置和分割，以适应不同的实验设置，对自动语音识别（ASR）研究和开发具有很高的价值。

Hugging Face2025-04-11 更新80

Nexdata/100000_hours_Arabic_Unsupervised_speech_dataset

阿拉伯语语音

自然语言处理

这是一个包含阿拉伯语对话或独白的无监督语音数据集，覆盖了28个常见领域，如日常视频博客、旅行、播客、科技、美容等。该数据集反映了现实世界的互动，并经过多家AI公司质量测试，符合GDPR、CCPA、PIPL的规定。

Hugging Face2025-02-11 更新150

Sadeed-Tashkeela

阿拉伯语语音

自然语言处理

该数据集来源于Tashkeela语料库和阿拉伯树库（ATB-3），旨在服务于阿拉伯语标音任务。它包含了1,042,698个示例，总计大约5300万字，这些文本在经过标准化处理后，还被分块以保持句法和上下文依赖关系。为确保数据质量，该数据集在预处理阶段纠正了标音错误，对文本进行了规范化处理，并针对训练进行了优化，避免了现有测试集数据泄露的风险。该数据集的规模约为5300万字，所涉及的任务是阿拉伯语标

arXiv90

Yaser-cleargrid/asr-merged

资源简介：

相关数据集