马拉地语朗读语音数据
18小时马拉地语朗读语音数据集，含文本转写，服务于印度马哈拉施特拉邦地区的印欧语系语音技术开发。
18 条数据更新时间 2026-05-11
数据集简介
本数据集包含18小时马拉地语的朗读语音，发音人来自印度马哈拉施特拉邦的核心母语人群，内容覆盖社会热点、教育和市场商业交流等。录制环境为安静的室内空间，音频参数为16kHz/16bit单声道WAV格式。文本基于天城文转写，提供句级时间戳标注。适用于低资源印度语种的ASR系统开发和跨方言鲁棒性建模。
数据质量
记录完整性
97.12%
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。