项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-21 · 当前星标 ★ 178
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
上一篇：attack_data
下一篇：Nepali-Datasets
同类项目推荐
LongICLBench
开源
测出长上下文模型在超长输入下的真实学习能力
Code and Data for "Long-context LLMs Struggle with Long In-context Learning" [TMLR20···
lhotse
开源
统一音频数据清单，少写加载代码，直接开训语音模型
Tools for handling multimodal data in machine learning projects.
DataDreamer
开源
用提示词生成合成数据，快速训练和微调你的AI模型。
DataDreamer: Prompt. Generate Synthetic Data. Train & Align Models.
awesome-3d-diffusion
开源
3D 生成扩散论文一网打尽，按方向快速找文献
A collection of papers on diffusion models for 3D generation.
malicious-software-packages-data···
开源
拿真实恶意包样本，快速验证你的供应链检测能力
An open-source dataset of malicious software packages found in the wild.
address
开源
用真实开放数据一键生成27国测试地址
A self-hosted address and synthetic test-profile generator for 27 countries and regi···
datasets
开源
100+免费数据集一站索引，找数据不再到处翻
A compilation of 125+ free datasets for use in social science, applied microeconomic···
arco-era5
开源
把 ERA5 气象数据转成云端 Zarr，按需秒读任意区域时段
Recipes for reproducing Analysis-Ready & Cloud Optimized (ARCO) ERA5 datasets.
sd-tagtool
开源
拖拽整理SD训练标签，数据干净训练快
A stable diffusion training dataset tag editor.