NOTSOFAR-1: 单设备远距离会议转录数据集 是由 Microsoft 于 2025 年发布的一个用于评估远距离会议转录任务的数据集，旨在推动单设备远距离语音分离与转录技术的发展。

该数据集包含真实会议录音，覆盖不同会议室、说话人数、麦克风配置及声学环境，可用于研究远距离语音采集、多人重叠语音处理和会议转录。官方同时提供基线系统代码，集成连续语音分离（CSS）、基于 Whisper 的自动语音识别（ASR）以及基于 NeMo 的说话人日记模块，支持研究人员运行推理流程并评估模型性能。

数据集组成

• 开发集（Dev-set）：包含单通道（Single-Channel）和多通道（Multi-Channel）的会议录音数据。单通道会话数为 177，多通道会话数为 106。
• 子集划分：根据会议场景和噪声条件，数据被划分为多个子集，包括自然会议（#NaturalMeeting）、辩论重叠（#DebateOverlaps）、无重叠轮次（#TurnsNoOverlap）、高瞬态噪声（#TransientNoise=high）以及靠近白板说话（#TalkNearWhiteboard）等。
• 基线系统代码：提供完整的 Python 基线代码，包括连续语音分离、基于 Whisper 的 ASR 和基于 NeMo 的说话人日记模块。
• 评估指标：主要使用说话人归因的 tcpWER 进行排名，tcORC-WER 作为辅助分析指标。
• 训练数据：除了开发集，还提供模拟训练集（Simulated Training Set），包含约 1,000 小时或 200 小时的模拟数据，用于模型训练和微调。