Speech-Corpus-Collection

找语音数据？一个仓库帮你搜罗好语料

Speech-Corpus-Collection 是一个收集语音语料库的仓库，旨在为语音识别（ASR）和语音合成（TTS）研究提供一站式资源索引。它整理了多种公开可用的语音数据集，涵盖不同语言、口音、领域和采样率，方便研究者快速找到适合自己任务的语料。项目解决的是语音领域数据分散、难以发现和比较的问题，通过分类和链接汇总，节省了研究者大量搜索和筛选时间。核心能力包括语料库的分类整理、来源链接提供以及基础信息标注，帮助用户评估数据是否匹配需求。目前项目处于早期阶段，星标数不高，但作为资源导航，对入门者尤其有价值。

开源 free 音频音乐
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 114
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类音频音乐
开发团队candlewill
所属国家
官网地址
GitHubhttps://github.com/candlewill/Speech-Corpus-Collection
定价模式free
价格说明开源项目，MIT许可证，完全免费，无付费版本。
访问状态
是否开源是
开源协议MIT
主要语言
技术栈/模型asr,corpus,dataset,tts
GitHub 星标★ 114
30天Star增速
HF 下载量
上线时间2017-05-19 00:00:00
最近更新2026-05-25 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3

使用教程

核心亮点

  • 集中整理ASR和TTS常用语料库，避免到处搜索
  • 按语言、用途等分类，便于快速筛选
  • 提供外部链接，可直接访问原始数据源

不足之处

  • 项目早期，语料库覆盖范围有限
  • 文档/社区待观察

适用场景

  • 语音识别模型训练前寻找合适数据集
  • 语音合成研究需要多说话人语料
  • 对比不同语料库特点以选择训练数据

替代项目

awesome-speech-datasets、OpenSLR、Common Voice

项目介绍

Speech-Corpus-Collection 是数据集领域的开源项目，由 candlewill 开发，2017 年首次发布。

它收录于数据集分类，该分类目前共有 279 个项目，GitHub 星标数为 114。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-05-25。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：语音识别模型训练前寻找合适数据集。同类可对比的替代方案包括 awesome-speech-datasets、OpenSLR、Common Voice。

上一篇：TTS-dataset-tools

下一篇：POP909-Dataset

同类项目推荐

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···

★ 10528 2026-08-10
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

★ 1645 2026-09-20
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 ···

★ 3398 2026-08-10
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

★ 69 2026-08-09