波兰语音频文本对齐数据

207小时波兰语语音-文本对齐数据集，含时间戳标注，服务于波兰语ASR及语音翻译系统。

207 条数据更新时间 2026-05-11

数据集简介

本数据集包含207小时的波兰语语音音频和对应文本转写，每个音频-文本条目的句子级别均已完成时间戳对齐。录音内容覆盖新闻朗读、广播剧、日常对话及商务沟通等多种场景，发音人为波兰本土母语者，男女比例均衡。音频参数为16kHz/16bit单声道，标注信息包含起止时间戳和按词性进行的文本转写。适用于波兰语自动语音识别（ASR）模型的端到端对齐及判别式训练。

数据质量

记录完整性

99.91%

记录时效性

按需更新

记录结构化

NDJSON、JSON、CSV、XLSX、Parquet，支持定制化

记录云交付

Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive

记录标准化

为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。

记录代表性

数据覆盖全量业务场景，样本均衡，具备行业代表性

需要定制更适合业务场景的数据集？

我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。