speech-dataset-generator

一键生成带标签语音数据集，告别手动标注。

speech-dataset-generator 是一个用于创建带标签语音数据集的 Python 工具，主要解决语音识别、说话人识别等任务中训练数据难以获取和标注成本高的问题。它提供音频质量增强、说话人识别、多种数据集格式支持等核心能力，并集成先进的音频处理技术。通过自动化流程，用户可以从原始音频文件出发，生成高质量的标注数据集，适用于语音转写、说话人分离、情感识别等场景。项目处于早期阶段，但功能规划清晰，适合需要快速构建自定义语音数据集的开发者和研究人员。

开源 free 音频音乐
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 263
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davidmartinrius
所属国家
官网地址
GitHubhttps://github.com/davidmartinrius/speech-dataset-generator
定价模式free
价格说明开源项目，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型audio-analysis,audio-processing,dataset-generation,speech-recognition,speech-to-text,text-to-speech
GitHub 星标★ 263
30天Star增速
HF 下载量
上线时间2024-02-23 00:00:00
最近更新2026-09-08 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4

使用教程

核心亮点

  • 支持多种数据集格式，灵活适配不同模型训练需求
  • 集成说话人识别功能，自动标注说话人身份
  • 提供音频质量增强，提升数据集整体可用性

不足之处

  • 早期项目，文档和社区生态尚待完善
  • 高级音频处理功能可能依赖外部库，增加部署复杂度

适用场景

  • 语音识别模型训练前的数据准备
  • 说话人识别系统的数据集构建
  • 多说话人语音场景的标注与增强

替代项目

Common Voice、LibriSpeech、Mozilla DeepSpeech

项目介绍

speech-dataset-generator 是数据集领域的开源项目，由 davidmartinrius 开发，2024 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 263。

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 2026-09-08。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：语音识别模型训练前的数据准备。同类可对比的替代方案包括 Common Voice、LibriSpeech、Mozilla DeepSpeech。

上一篇：speech_dataset

下一篇：DailyTalk

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