speech_dataset
一站式获取中文语音识别训练数据，快速启动ASR实验
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 2026-08-09 · 当前星标 ★ 470
使用教程
环境要求
- 无需环境
安装与启动步骤
-
1确认它是数据集索引
中文语音识别数据集清单，没有代码。
-
2按规模与许可筛
表里有时长、下载地址和能否获取的备注。
-
3先下一个小样本
先用最小的那个走通训练链路。
-
4核对许可
部分数据集仅限研究用途。
如何确认成功
能挑出两份可直接下载的中文语音数据集，并各自查到时长与许可条款
注意事项
- 它是中文语音识别数据集的汇总表，列了时长、地址与可用性备注。
- 有些条目需要申请或比赛资格才能拿到，表里标了备注，别默认都能直连下载。
- 多个数据集许可不同，混用前逐个核对，商用尤其要看清。
- 采样率与标注格式差异大，拼接使用前统一预处理。
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
同类项目推荐
datalad
开源
用Git方式管理大型数据和代码，实现可复现科研
Keep code, data, containers under control with git and git-annex
awesome-industrial-datasets
开源
工业AI找数据，一页清单直接定位可用数据集
A curated collection of public industrial datasets.
DPSDA
开源
不训练模型，也能生成高质量差分隐私合成数据
Private Evolution: Generating DP Synthetic Data without Model Training [ICML 2026, I···
CTGAN
开源
用 GAN 生成逼真表格数据，解决隐私与数据不足问题
Conditional GAN for generating synthetic tabular data.
DataClaw0
开源
自动把原始视频流变成高质量训练数据，省去人工标注。
DataClaw: Agentic Tailoring Multimodal Data from Raw Streams — coming soon (code, w···
argilla
开源
让领域专家轻松标注数据，快速构建高质量 LLM 数据集
Argilla is a collaboration tool for AI engineers and domain experts to build high-qu···
lightly-studio
开源
一站式搞定数据清洗、标注与版本管理，让模型训练更快更准。
LightlyStudio - The Unified Data Platform for Multimodal ML
OpenAnnotate3D
开源
用自然语言自动标注3D数据，省去人工画框
OpenAnnotate3D: Open-Vocabulary Auto-Labeling System for Multi-modal Data
MultiHop-RAG
开源
跨文档多跳问答评测，暴露RAG推理短板
Repository for "MultiHop-RAG: A Dataset for Evaluating Retrieval-Augmented Generatio···