一站式检索500+阿拉伯语NLP与语音数据集
Masader 是面向阿拉伯语自然语言处理与语音领域的公开数据集目录，收录超过 500 个数据集，每个数据集标注了 25 项以上属性，如任务类型、数据规模、许可协议、下载地址、语言变体等。它解决的核心问题是：阿拉伯语 NLP 数据资源长期分散在论文、个人主页和机构仓库中，研究者难以快速检索、比较和复用，常因许可不清或链接失效而重复劳动。项目以 JavaScript 构建，提供网页检索界面和结构化元数据，支持按任务、领域、方言、标注类型等维度筛选，帮助研究者、数据工程师和模型开发者快速定位适合训练或评测的数据集，也为数据贡献者提供统一登记格式，推动阿拉伯语语料生态的透明化与可复现性。
Hugging Face Datasets、Papers with Code Datasets
masader 是数据集领域的开源项目，由 ARBML 开发，2021 年首次发布。
它收录于数据集分类，该分类目前共有 278 个项目，GitHub 星标数为 206。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-20。开源免费的数据集目录，可在线浏览。从国内网络环境看，可直接访问。
它主要面向的使用场景是：阿拉伯语NLP研究者快速筛选适配任务与方言的语料。同类可对比的替代方案包括 Hugging Face Datasets、Papers with Code Datasets。
下一篇：plinder
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
