cv-dataset

查 Common Voice 各语言版本元数据，一键定位训练语料

cv-dataset 是 Mozilla Common Voice 语音数据集的元数据与版本管理仓库，用 JavaScript 维护每轮发布的数据清单、校验信息和版本变更记录。它解决的核心问题是：语音识别训练依赖大规模、可追溯、许可清晰的多语言语音数据，而数据散落各处、版本混乱会让模型训练难以复现。该项目把 Common Voice 各语言、各版本的音频与文本元数据集中管理，提供统一的 JSON/脚本接口，方便开发者拉取指定语言和版本的数据、核对文件哈希、跟踪数据集演进。核心能力包括：按语言和版本组织元数据、记录数据规模与许可、提供版本差异信息，并作为 Common Voice 生态的数据入口，服务于 ASR 模型训练、语音语料研究和开放数据分发。

开源 free 数据集

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 175

维护状态活跃

是否开源是

定价模式 free

项目数据

分类数据集

开发团队common-voice

所属国家

官网地址https://commonvoice.mozilla.org/datasets

GitHubhttps://github.com/common-voice/cv-dataset

定价模式free

价格说明开源免费数据集，可公开下载使用

访问状态

是否开源是

开源协议MPL-2.0

主要语言JavaScript

技术栈/模型asr,dataset,open-data,open-datasets,speech-recognition,voice

GitHub 星标★ 175

30天Star增速

HF 下载量

上线时间2020-07-16 00:00:00

最近更新2026-09-18 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-21

浏览次数0

使用教程

核心亮点

集中管理 Common Voice 多语言、多版本元数据，便于按语言和版本精确取数
提供版本变更与校验信息，提升语音数据集的可追溯性和训练可复现性
作为 Mozilla 官方数据生态入口，与 Common Voice 网站和下载流程衔接紧密

不足之处

仓库以元数据和版本记录为主，本身不直接包含音频文件，需配合外部下载
语言为 JavaScript，对习惯 Python 数据工具链的 ASR 开发者有一定切换成本

适用场景

训练多语言 ASR 模型前，查询并锁定特定语言、特定版本的 Common Voice 数据清单
语音语料研究者核对数据集规模、许可与版本差异，撰写数据说明
构建开放语音数据流水线时，用元数据自动拉取和校验目标语言数据

替代项目

Common Voice、LibriSpeech、VoxForge

项目介绍

cv-dataset 是数据集领域的开源项目，由 common-voice 开发，2020 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 175。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-18。开源免费数据集，可公开下载使用。从国内网络环境看，可直接访问。

它主要面向的使用场景是：训练多语言ASR模型前，查询并锁定特定语言、特定版本的CommonVoice数据清单。同类可对比的替代方案包括 Common Voice、LibriSpeech、VoxForge。

上一篇：attack_data

下一篇：Nepali-Datasets