TV3Parla数据集包含240小时的加泰罗尼亚语广播材料，主要用于语言建模和自动语音识别任务。数据集由Corporació Catalana de Mitjans Audiovisuals, SA (CCMA)拥有，并由Softcatalà协会支持处理。数据集包括音频文件和对应的文本转录，分为训练集和测试集。数据集的创建和注释过程未详细说明，但提供了相关的引用和贡献者信息。

Hugging Face2024-11-25 更新160

nc33/libri_duplicate_v2

语音识别

自然语言处理

该数据集是一个包含音频和文本的多模态数据集，音频和文本都有两种形式：标准化文本(text_normalized)和原始文本(text_original)。此外，数据集还提供了说话者ID、文件路径、章节ID和唯一标识符等信息。训练集包含2000个样本，总大小约为1.3GB。

Hugging Face2025-03-30 更新50

perrynelson/waxal-wolof2

语音识别

沃洛夫语语音处理

--- dataset_info: features: - name: audio dtype: audio - name: duration dtype: float64 - name: transcription dtype: string splits: - name: test num_bytes: 179976390.6 n

Hugging Face2022-10-05 更新30

vietnhat/us-michael-higgs-metadata1-v7

情感分析

语音识别

这是一个包含文本、音频、来源和情感特征的_multimodal数据集，适用于情感分析等任务。数据集分为训练集，共有584个示例，总大小约为200MB。

Hugging Face2025-10-19 更新70

EmreAkgul/tr_yt_processed

语音识别

自然语言处理

这是一个包含音频和文本数据的综合数据集，旨在用于语音识别、说话者识别、语言识别和情感分析等任务。数据集由训练集、测试集和验证集组成，每个集合都有大量的音频和对应的文本、说话者ID、语言和情感标签。

Hugging Face2025-11-07 更新40