Kirundi_Open_Speech_Dataset

这是一个为Kirundi语言创建的第一个大规模开源语音和文本数据集，旨在促进语音识别、文本到语音、机器翻译和语音翻译等应用的开发。

This is the first large-scale open-source speech and text dataset created for the Kirundi language, designed to facilitate the development of applications such as speech recognition, text-to-speech, machine translation, and speech translation.

原始信息汇总

🇧🇮 Kirundi Open Speech & Text Dataset 数据集概述

项目背景

Kirundi语言使用人数超过1200万，但仍属于低资源语言，被现代AI系统忽视。该项目旨在创建首个全面的、开源的Kirundi语音和文本数据集。

目标应用

• 🎙️ 语音转文本（ASR）：进行中
• 🗣️ 文本转语音（TTS）：计划中
• 🌐 机器翻译：计划中
• 🎧 语音翻译：计划中

数据集结构

元数据架构

列名	类型	描述	示例
file_path	字符串	音频文件相对路径	clips/rn_0001.wav
kirundi_transcription	字符串	Kirundi句子	Amahoro yImana abane nawe
french_translation	字符串	法语翻译	Que la paix de Dieu soit avec toi
speaker_id	字符串	匿名说话者标识	speaker_001
age	字符串	年龄组	20s, 30s, 40s+
gender	字符串	性别	male, female, other

目录结构

Kirundi_Dataset/ ├── README.md ├── metadata.csv ├── clips/ └── scripts/ ├── append_to_csv.py ├── scrapping_kirundi_words.py └── kirundi_prompts_scraped.txt

贡献方式

文本贡献（通过GitHub）

• 添加Kirundi句子到kirundi_prompts_scraped.txt文件
• 运行脚本添加到metadata.csv
• 提交GitHub Pull Request

翻译贡献（通过GitHub）

• 为metadata.csv中的空翻译列提供法语翻译
• 提交GitHub Pull Request

音频录制（通过Hugging Face）

• 录制Kirundi语音
• 保存为WAV或MP3格式
• 更新metadata.csv
• 提交Hugging Face Pull Request

技术规范

音频格式要求

• 主要格式：WAV（未压缩）
• 替代格式：MP3（高质量）
• 采样率：16kHz或22.05kHz
• 声道：单声道
• 位深度：16位

录制标准

• 环境：安静房间，无背景噪音
• 麦克风：头戴式麦克风或智能手机
• 说话风格：自然、清晰发音
• 准确性：按原文精确朗读

项目路线图

发展阶段

阶段	目标	状态	进度
阶段1	文本收集（10,000+句子）	进行中	5%
阶段2	法语翻译	计划中	0%
阶段3	音频录制（20+小时）	计划中	0%
阶段4	模型训练	计划中	0%
阶段5	公开发布	未来	0%

当前统计

• 📝 总句子数：180+
• 🎤 音频录制：0
• 🌐 翻译数：0
• 👥 贡献者：增长中

许可证

• 🔧 代码和脚本：MIT许可证
• 📊 数据集：CC BY 4.0许可证

相关链接

• GitHub仓库：https://github.com/Sama-ndari/Kirundi_Dataset
• Hugging Face数据集：https://huggingface.co/datasets/samandari/Kirundi_Open_Speech_Dataset

搜集汇总

数据集介绍

构建方式

在低资源语言技术发展的背景下，Kirundi开放语音与文本数据集采用社区驱动的协作模式构建。通过GitHub平台收集基隆迪语文本及法语翻译，同时在HuggingFace平台专门收录语音数据。构建过程遵循严格的标准化流程，包括文本清洗、翻译验证和音频录制规范，所有数据通过元数据文件进行统一管理，形成完整的语音-文本对齐语料库。

特点

作为首个大规模基隆迪语开放数据集，其显著特征体现在多模态数据架构上。数据集包含纯净的基隆迪语文本、精准的法语翻译以及符合专业标准的语音录音，每条数据均附带说话人年龄、性别等元信息。这种结构化设计特别适用于低资源语言的跨语言研究，为语音识别、机器翻译等任务提供了珍贵的训练资源。

使用方法

研究人员可通过双平台协作机制使用该数据集。文本数据需通过GitHub仓库获取并遵循CC BY 4.0许可协议，语音数据则通过HuggingFace数据集库加载。使用前需仔细阅读技术规范文档，确保符合16kHz采样率、单声道等音频标准。数据集支持端到端的语音处理流程，可直接应用于基隆迪语的自动语音识别和文本转语音系统开发。

背景与挑战

背景概述

在低资源语言技术发展领域，基隆迪语作为布隆迪官方语言拥有超过1200万使用者，却长期面临数字资源匮乏的困境。该数据集由Sama-ndari团队于2023年发起，是首个面向基隆迪语的大规模开源语音文本数据集。其核心目标在于构建覆盖自动语音识别、文本转语音及机器翻译等多模态任务的基础资源，通过社区协作模式推动非洲语言在人工智能时代的数字化转型，为语言技术公平性提供重要支撑。

当前挑战

该数据集需应对双重挑战：在领域问题层面，基隆迪语作为黏着语具有复杂的形态结构和有限的语言标注规范，导致语音识别系统面临音素分割与声学建模困难；在构建过程中，需克服母语者分布分散导致的录音环境标准化难题，同时确保文本转录与法语翻译的双语对齐质量。社区驱动的协作模式还需建立严格的数据验证机制，以维持跨模态数据的一致性。

常用场景

经典使用场景

在低资源语言技术开发领域，基隆迪语开放数据集为语音识别系统构建提供了核心训练素材。该数据集通过社区协作方式收集大量基隆迪语标准发音样本，配合精准的文本转录数据，为端到端自动语音识别模型训练奠定基础。其标准化的音频格式与文本标注体系，使得研究者能够直接应用于声学模型与语言模型的联合优化。

实际应用

在布隆迪及周边地区实际应用中，该数据集支撑的语音技术正逐步改变当地数字化服务生态。基于该数据训练的语音转写系统可应用于教育领域的智能教学助手、医疗机构的语音病历录入，以及政府服务的多语言信息平台。这些应用显著降低了数字鸿沟，为1200万基隆迪语使用者提供了母语环境下的智能化服务入口。

衍生相关工作

围绕该数据集已衍生出多项具有影响力的研究工作，包括基于迁移学习的低资源语言语音识别框架、多任务学习的语音合成系统，以及基隆迪语-法语神经机器翻译模型。这些工作通过创新性地利用有限标注数据，构建了适用于低资源场景的端到端语音处理管道，为其他濒危语言的数字化保护提供了可复现的技术范式。