voice-dataset-creation 是数据集领域的开源项目，由 hollygrimm 开发，2020 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 72。
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 2026-09-17。无在线服务，需自行部署，完全免费。
它主要面向的使用场景是：原住民语言数字化存档与教学。同类可对比的替代方案包括 Common Voice、LibriSpeech、VoxPopuli。
voice-dataset-creation
帮原住民社区自主打造语音数据集，守护语言并喂给AI
这是一个面向语言保护与AI开发的社区主导型语音数据集创建工具，旨在帮助原住民社区和语言保护者收集、整理和发布符合数据主权原则的语音数据。项目解决了传统语音数据采集过程中社区参与度低、数据控制权缺失的问题，提供了一套从录音、标注到格式化的完整工作流。核心能力包括：支持Audacity和Adobe Audition等常用音频编辑软件的集成，遵循LJSpeech数据集格式以兼容主流语音识别/合成模型，内置对CARE原则（集体利益、控制权、责任、伦理）的实践指南，确保数据收集过程尊重社区权益。项目还配套了相关学术论文，为原住民文化表达中的AI技术应用提供方法论支持。通过Jupyter Notebook示例，用户可以学习如何构建高质量、合规的语音数据集，促进濒危语言的数字化保存和AI模型训练。
开源
free
音频音乐
GitHub 星标
★ 72
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hollygrimm
所属国家
定价模式free
价格说明开源项目，无在线服务，需自行部署，完全免费。
访问状态
是否开源是
开源协议
主要语言Jupyter Notebook
技术栈/模型audacity,audition,care-principles,data-sovereignty,indigenous-languages,language-preservation,ljspeech-format,speech-recognition,tts,voice-dataset,voice-recording,whisper
GitHub 星标★ 72
30天Star增速
HF 下载量
上线时间2020-06-25 00:00:00
最近更新2026-09-17 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3
使用教程
核心亮点
- 深度结合数据主权与CARE原则，确保社区对数据拥有完全控制权
- 输出格式兼容LJSpeech，可直接用于主流TTS/ASR模型训练
- 提供Jupyter Notebook实操教程，降低技术门槛
不足之处
- 文档/社区待观察
- 依赖Audacity等外部工具，未提供一体化采集界面
适用场景
- 原住民语言数字化存档与教学
- 低资源语言的语音识别/合成模型训练
- 文化机构或研究者构建合规语音数据集
替代项目
Common Voice、LibriSpeech、VoxPopuli
项目介绍
上一篇：jsut-lab
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···
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
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 ···
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