本文转载自「乐百一家」，如果你关注语音模型和算法，这一个不容错过的宝藏且高产的公众号。

最近两年开源数据越来越多，大家也意识到，无论是语音识别、语音合成，还是情感分析、多模态交互，高质量的数据集都是技术进步的基石。今天为大家整理了 2024-2025 年最新发布的开源语音数据集，涵盖中文、英文、多语种等多个方向，每个数据集都附上了直接下载链接，方便大家学习和研究。另本文遗漏部分，欢迎大家在文末评论，后续会动态更新整理到一起，做成专栏的形式，方便大家查阅。

01 国内开源语音数据集

🚀 Emilia - 10 万小时多语种语音数据集

发布时间： 2024 年 8 月

发布机构： Amphion 团队

数据规模：101,000 小时

支持语言： 中文 (49,922h)、英语 (46,828h)、德语、法语、日语、韩语

特色亮点：

• 目前最大的多语种语音生成数据集

• 涵盖脱口秀、访谈、辩论、体育解说等多种场景

• 提供 Emilia-pipe 预处理流水线

下载链接：

Hugging Face: https://huggingface.co/datasets/Amphion/Emilia

👶👴 ChildMandarin & SeniorTalk - 特殊人群语音数据集

发布时间： 2025 年 4 月

发布机构： 智源研究院 + 南开大学 HLT Lab

ChildMandarin（儿童语音）：

规模： 41.25 小时，397 名 3-5 岁儿童

地域： 覆盖 22 个省市

特色： 填补低幼儿童语音数据空白

SeniorTalk（老年人语音）：

规模： 55.53 小时，202 位 75 岁以上老人

地域： 覆盖 16 个省市

特色： 世界首个中文超高龄老年人对话数据集

智源社区：https://hub.baai.ac.cn/view/44729

儿童数据下载地址：https://huggingface.co/datasets/BAAI/ChildMandarin老人数据下载地址：https://huggingface.co/datasets/BAAI/SeniorTalk

🎭 Chinese-LiPS - 中文多模态语音识别数据集

发布时间： 2025 年 5 月

发布机构： 智源研究院 + 南开大学

数据规模： 100 小时，36,208 条语音片段，207 位讲者

核心创新：

• 首个 「唇读信息 + 幻灯片语义信息」 结合的中文数据集

• 包含唇读视频 (720P) + 幻灯片视频 (1080P)

• 覆盖 9 大热门领域

性能提升：

单模态：CER 3.99% → 多模态融合：CER 2.58%

相对提升 35.3%

智源社区：https://kiri0824.GitHub.io/Chinese-LiPS/

🌏GigaSpeech 2 - 东南亚多语种数据集

发布时间： 2024 年 6 月

合作机构： 上海交大 X-LANCE、SpeechColab 等

数据规模： 30,000 小时 (raw)，22,000 小时 (refined)

语言分布：

• 泰语： 10,000 小时

• 印尼语： 6,000 小时

• 越南语： 6,000 小时

特色功能：

• 涵盖 19 个主题领域

• 提供自动化构建流程

• 模型性能达到商业服务水平

HuggingFace 下载地址: https://huggingface.co/datasets/speechcolab/gigaspeech2

🇭🇰 WenetSpeech-Yue - 2 万小时粤语语音数据集

发布时间： 2025 年

合作机构： 西北工业大学 ASLP Lab、中国电信、希尔贝壳、Wenet 开源社区、香港科技大学

数据规模：21,800 小时，全球最大粤语语音数据集

数据特色：

• 覆盖 10 个领域： 讲故事、娱乐、戏剧、文化、vlog、评论、教育、播客、新闻等

• 多维标注： ASR 转录、文本置信度、说话人身份、年龄、性别、语音质量评分、字符级时间戳

• 质量分级： 强标签 (confidence>0.9)、中等标签 (0.8-0.9)、弱标签 (0.6-0.8)

技术亮点：

• 专门筛选 12,000 小时高质量语音用于 TTS (DNSMOS>2.5 且 SNR>25dB)

• 提供 WS Yue-Eval 评测基准

• 支持中英混杂 (code-switching) 场景

下载地址：

GitHub：https://GitHub.com/ASLP-lab/WenetSpeech-YueASR 模型：https://GitHub.com/ASLP-lab/ws-yue-asrTTS 模型：https://GitHub.com/ASLP-lab/ws-yue-tts

🇨🇳 WenetSpeech-Chuan - 1 万小时川渝方言数据集

合作机构： 西北工业大学 ASLP Lab、希尔贝壳、中国电信人工智能研究院、南京大学、Wenet 开源社区

数据规模：10,000 小时，首个大规模川渝方言语音语料库

覆盖 9 个领域： 满足 1.2 亿母语使用者需求

多维标注： ASR 转录、文本置信度、说话人情感、年龄、性别、语音质量评分

应用价值： 填补川渝方言数据空白，推动方言保护

评测基准：

• WSC-Eval-ASR： 人工标注集，评测不同场景声学条件下的 ASR 性能

• WSC-Eval-TTS： 简单和困难子集，用于标准测试与泛化能力测试

技术价值：

• 基于该数据集训练的模型性能超越 SOTA 系统

• 与商业系统相媲美

• 推动川渝方言语音技术发展

下载地址：

GitHub：https://GitHub.com/ASLP-lab/WenetSpeech-ChuanASR 模型：https://GitHub.com/ASLP-lab/ws-chuan-asrTTS 模型：https://GitHub.com/ASLP-lab/ws-chuan-tts

🧠** LLaSO - 开源语音大模型框架**

发布时间： 2024 年

发布机构： 北京深度逻辑智能科技

框架组成： 三大核心组件

LLaSO-Align（对齐数据集）：

• 1200 万语音 - 文本对齐样本

• 建立语音表示与文本语义空间对齐

LLaSO-Instruct（指令数据集）：

• 1350 万多任务指令样本

• 涵盖 20 项任务，支持三种交互模式

LLaSO-Eval（评估基准）：

• 15,044 个测试样本

• 标准化评估协议

下载地址：

GitHub：https://GitHub.com/EIT-NLP/LLaSO

🔄 Easy-Turn-Trainset - 对话轮次检测数据集

数据规模：约 1100 小时

数据类型： 真实 + 合成数据

数据集组成：

• 完整状态： 580 小时

• 不完整状态： 532 小时

• 回应状态： 10 小时

• 等待状态： 23 小时

应用场景： 全双工对话系统的轮次检测

下载链接：

数据集：https://www.modelscope.cn/datasets/ASLP-lab/Easy-Turn-Trainset

🌐** CS-Dialogue - 中英文切换数据集**

发布时间： 2025 年 2 月

数据规模：104 小时，200 位说话人

语言类型： 普通话 - 英语切换

最大的公开自发式中英文切换对话数据集

包含完整对话录音和转录

捕捉自然的切换现象

下载链接：

arXiv 论文：https://arxiv.org/pdf/2502.18913GitHub：https://huggingface.co/datasets/BAAI/CS-Dialogue

02 国际开源语音数据集

🌐Meta Omnilingual ASR Corpus - 1600 + 语言语音数据集

发布时间： 2025 年 11 月（最新发布）

发布机构： Meta AI FAIR 团队

数据规模： 350 种低资源语言的大规模转录数据集

支持语言：1600 + 种语言，其中 500 种首次被 AI 覆盖

技术突破：

• 78% 的语言字符错误率低于 10%

• 95% 有 10 小时以上训练数据的语言达到实用标准

• 36% 低资源语言（<10 小时数据）也达到实用水平

创新特性：

• 少样本学习：仅需几段音频 + 文本即可扩展新语言

• 理论扩展能力：可扩展到 5400 + 种语言

• 模型规模：3 亿参数（轻量级）到 70 亿参数（高精度）

下载地址：

GitHub：https://GitHub.com/facebookresearch/omnilingual-asrHugging Face 数据集：https://huggingface.co/datasets/facebook/omnilingual-asr-corpus在线演示：https://aidemos.atmeta.com/omnilingualasr/language-globe转录工具：https://huggingface.co/spaces/facebook/omniasr-transcriptions

🎯Common Voice - 最大众包语音数据集

更新频率： 每季度更新

最新版本： 22.0（2025 年 6 月）

数据规模： 86.53GB，3,718 小时录制

支持语言：137 种语言

参与人数： 97,925 人

2024-2025 年发展：

• 从 80.8GB 增长到 86.53GB

• 语言覆盖从 100 + 扩展到 137 种

• 参与人数增长 7,000+

下载地址：

Mozilla Data Collective: https://datacollective.mozillafoundation.org/datasets

🎵 HiFiTTS-2 - 高带宽语音合成数据集

发布会议： Interspeech 2025

数据规模： 36.7k 小时（22.05kHz），31.7k 小时（44.1kHz）

语言： 英语

技术特色：

• 专注高带宽语音合成

• 详细元数据标注

• 支持零样本 TTS 训练

下载地址：

ISCA Archive：https://huggingface.co/datasets/nvidia/hifitts-2

🏥Bridge2AI-Voice - 医疗语音数据集

发布时间： 2025 年 1 月

发布机构： NIH Bridge2AI 计划

数据规模： 12,523 条录音，306 位参与者

疾病覆盖：

• 语音障碍

• 神经系统疾病（帕金森、ALS、中风）

• 心境障碍（抑郁症、焦虑症）

• 呼吸系统疾病

下载地址：

PhysioNet（需申请）：HTTPS://physionet.org/content/b2ai-voice/1.1/

💊VietMed - 越南医疗语音数据集

数据规模： 16 小时标注医疗语音 + 2200 小时无标注语音

语言： 越南语

覆盖所有 ICD-10 疾病组

包含越南所有口音

提供预训练和微调模型

下载地址：

GitHub：https://GitHub.com/leduckhai/multimed

😊 nEMO - 波兰情感语音数据集

数据规模： 3 小时，9 位演员

情感类别： 愤怒、恐惧、快乐、悲伤、惊讶、中性

下载地址：

Hugging Face：https://huggingface.co/datasets/amu-cai/nEMO

arXiv：https://arxiv.org/abs/2404.06292

03 数据集统计分析

按规模分布

• 超大规模（10k 小时 +）： Emilia(101k)、WenetSpeech-Yue(21.8k)、GigaSpeech 2(30k)、WenetSpeech-Chuan(10k)

• 中等规模（100-1000 小时）： Chinese-LiPS(100)、Easy-Turn(1100)

• 小规模（10-100 小时）： ChildMandarin(41)、SeniorTalk(55)、CS-Dialogue(104)

按语言覆盖

• 单语言： 中文、英语、波兰语、越南语等

• 多语言： Meta Omnilingual(1600+)、Common Voice(137)、Emilia(6)

• 方言： 粤语 (WenetSpeech-Yue)、川渝方言 (WenetSpeech-Chuan)

按应用领域

• 语音识别： 最多，包含多个大规模数据集

• 语音合成： 注重情感表达和多风格

• 医疗健康： 新兴重要领域

• 情感分析： 多语言覆盖

• 多模态： 结合视觉信息

• 方言保护： 粤语、川渝方言等

04 使用建议

• 规模突破： 10 万小时级数据集成为现实

• 质量提升： 多模态、精细化标注成为趋势

• 语言覆盖： 从主流语言扩展到 1600 + 种语言

• 方言保护： 粤语、川渝方言等地方语言得到重视

• 领域深化： 医疗、教育、娱乐等垂直领域快速发展

• 技术创新： 自动化构建、合成数据等新技术应用

这些开源数据集为语音技术的发展提供了强有力的支撑，相信在这些优质数据的推动下，语音技术将在更多领域得到广泛应用。

💡 温馨提示： 所有数据集请按照其许可证要求合理使用，支持开源社区的发展！

阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么