ESPnet 团队发布开放语音数据集 YODAS v3，收录超过 110 万小时、147 种语言的真实世界音频，全部以 48kHz 发布，其中超过 70% 包含两个及以上真正不同的音频通道。

相比此前主要面向语音识别的 YODAS，v3 加入更高带宽、多通道和更丰富的时间戳标注，使同一套数据可以进一步用于 TTS、神经音频编解码、语音增强和立体声/空间语音生成。

  • 高采样率不只是文件标称值： 团队根据实际频谱重新估算音频有效带宽，92% 的数据达到至少 32kHz 等效采样率，67% 达到 44kHz，可按音频质量筛选训练数据。
  • 超过 70% 为真正多通道音频： 团队会检测左右声道是否实际不同，避免把复制的单声道算作立体声，为大规模立体声和空间语音模型训练提供数据。
  • 同时提供转写、时间戳和翻译： 约 75% 的数据带有转写，其中 95% 带词级时间戳；约 60% 的非英语数据还提供带时间戳的英语翻译。数据以 CC BY 3.0 许可开放。


📎相关地址：