speech_dataset

一站式获取中文语音识别训练数据，快速启动ASR实验

speech_dataset 是一个面向语音识别（ASR）研究的中文语音数据集仓库，旨在为深度学习语音模型提供训练与评估所需的音频资源。项目整理了多种来源的语音数据，涵盖单说话人、多说话人、不同采样率和格式的音频，并附有对应的文本标注或脚本，方便研究者直接用于训练端到端语音识别、语音增强、说话人分离等任务。核心能力包括：提供可下载的数据集链接与说明、整理数据格式与目录结构、支持按需筛选特定场景（如安静环境、噪声环境）的数据。项目解决了研究者寻找高质量、可复现语音数据难的问题，降低了数据准备门槛，尤其适合学术实验和原型验证。虽然项目本身不包含模型代码，但作为数据配套工具，能有效支撑语音相关深度学习项目的起步阶段。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 469

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double22a

所属国家

官网地址

GitHubhttps://github.com/double22a/speech_dataset

定价模式free

价格说明开源数据集，Apache-2.0许可，完全免费使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言

技术栈/模型asr,audio,automatic-speech-recognition,dataset,deep-learning,deep-neural-networks,speech,speech-diarization,speech-enhancement,speech-recognition,speech-segmentation,speech-separation,speech-synthesis,speech-to-text,speech-translation,text-to-speech,tts,voice-conversion,wav

GitHub 星标★ 469

30天Star增速

HF 下载量

上线时间2021-04-07 00:00:00

最近更新2026-09-19 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5

使用教程

核心亮点

汇集多种中文语音数据集，覆盖不同说话人和场景，省去四处搜集的麻烦
提供清晰的数据说明和目录结构，便于快速筛选和下载
与深度学习语音任务（ASR、增强、分离）直接相关，实用性强

不足之处

数据更新可能滞后，部分链接可能失效需自行验证
文档和社区支持相对薄弱，遇到问题可参考资源有限

适用场景

学术研究中构建中文语音识别基线模型
训练语音增强或说话人分离模型时的数据准备
快速评估不同数据规模对ASR性能影响

替代项目

LibriSpeech、Common Voice、AISHELL

项目介绍

speech_dataset 是数据集领域的开源项目，由 double22a 开发，2021 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 469。

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 2026-09-19。开源数据集，Apache-2.0许可，完全免费使用。

它主要面向的使用场景是：学术研究中构建中文语音识别基线模型。同类可对比的替代方案包括 LibriSpeech、Common Voice、AISHELL。

上一篇：open-speech-corpora

下一篇：speech-dataset-generator