马来西亚语音频文本对齐数据
200小时马来西亚语（马来语）语音-文本对齐数据集，支持句级时间戳对齐，服务于马来语ASR模型开发与评测。
200 条数据更新时间 2026-05-11
数据集简介
本数据集收集了200小时的马来西亚语语音音频，均已与对应的马来语文本转写完成句级时间戳对齐。数据来源于马来西亚本土人士的对话、朗读和广播媒体，内容围绕日常交流、教育、文化、经济等主题。音频参数为16kHz/16bit单声道，标注信息包含时间戳对齐信息和说话人标签。适用于训练马来语的自动语音识别（ASR）模型，强化语音信号与文本序列的对齐学习与长期时序建模。
数据质量
记录完整性
99.08%
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。