WenetSpeech Yue 粤语语料数据集

WenetSpeech Yue 是由西北工业大学联合中国电信人工智能研究院、北京希尔贝壳科技有限公司等机构于 2025 年发布的一个用于粤语语音识别（ASR）与文本到语音合成（TTS）的 多维注释大型语音语料库，相关论文成果为「WenetSpeech-Yue: A Large-scale Cantonese Speech Corpus with Multi-dimensional Annotation」，旨在填补粤语领域资源匮乏的空白，推动高质量粤语模型的训练与评估。

该数据集包含约 21,800 小时粤语录音，覆盖 10 个语域，包括：讲故事、娱乐、戏剧、文化、 Vlog 、评论、教育、播客、新闻和其他，适用于粤语自动语音识别（ASR）和文本到语音合成（TTS）模型的训练与评测以及处理真实语言场景中的多样语域和说话风格，同时支持跨域泛化能力的验证与评估。

数据构成：

• 转录文本：自动语音识别结果；
• 置信度分数：如文本置信度、粤语拼音置信度；
• 说话人属性：性别、年龄、说话人 ID；
• 语音质量指标：如 SNR 、 DNSMOS；
• 时间标注：时长、字符级时间戳；
• 扩展元数据：节目名称、地域、链接及语域信息。