Granary ヨーロッパ音声認識・翻訳データセット

Granaryは、NVIDIAのマルチサイト研究チームが2025年にリリースした大規模な多言語音声データセットです。関連する論文の結果は次のとおりです。Granary: 25のヨーロッパ言語の音声認識と翻訳データセット」は、多言語 ASR/AST モデル向けの高品質なトレーニングおよび評価マテリアルを提供することを目的としています。

このデータセットには、約100万時間分の高品質な擬似ラベル付きASR音声データが含まれており、25のヨーロッパ言語（EU加盟23言語に加え、ウクライナ語とロシア語を含む）をカバーしています。データは公開されている音声コーパスから取得され、統一された擬似ラベル付けと品質フィルタリングプロセスを経て処理されています。

言語には以下が含まれます:

ブルガリア語、チェコ語、デンマーク語、ドイツ語、ギリシャ語、英語、スペイン語、エストニア語、フィンランド語、フランス語、クロアチア語、ハンガリー語、イタリア語、リトアニア語、ラトビア語、マルタ語、オランダ語、ポーランド語、ポルトガル語、ルーマニア語、スロバキア語、スロベニア語、スウェーデン語、ウクライナ語、ロシア語。