最近两年开源数据越来越多，大家也意识到，无论是语音识别、语音合成，还是情感分析、多模态交互，高质量的数据集都是技术进步的基石。今天为大家整理了 2024-2025 年最新发布的开源语音数据集，涵盖中文、英文、多语种等多个方向，每个数据集都附上了直接下载链接，方便大家学习和研究。另本文遗漏部分，欢迎大家在文末评论。

01、📊 国内开源语音数据集

🚀 Emilia - 10 万小时多语种语音数据集
发布时间： 2024 年 8 月
发布机构： Amphion 团队
数据规模：101,000 小时
支持语言： 中文 (49,922h)、英语 (46,828h)、德语、法语、日语、韩语
特色亮点：
  • 目前最大的多语种语音生成数据集
  • 涵盖脱口秀、访谈、辩论、体育解说等多种场景
  • 提供 Emilia-pipe 预处理流水线
下载链接：Hugging Face: https://huggingface.co/datasets/Amphion/Emilia
👶👴 ChildMandarin & SeniorTalk - 特殊人群语音数据集
发布时间： 2025 年 4 月
发布机构： 智源研究院 + 南开大学 HLT Lab
ChildMandarin（儿童语音）：
规模： 41.25 小时，397 名 3-5 岁儿童
地域： 覆盖 22 个省市
特色： 填补低幼儿童语音数据空白
SeniorTalk（老年人语音）：
规模： 55.53 小时，202 位 75 岁以上老人
地域： 覆盖 16 个省市
特色： 世界首个中文超高龄老年人对话数据集
智源社区：https://hub.baai.ac.cn/view/44729
儿童数据下载地址：https://huggingface.co/datasets/BAAI/ChildMandarin
老人数据下载地址：https://huggingface.co/datasets/BAAI/SeniorTalk
🎭 Chinese-LiPS - 中文多模态语音识别数据集
发布时间： 2025 年 5 月
发布机构： 智源研究院 + 南开大学
数据规模： 100 小时，36,208 条语音片段，207 位讲者
核心创新：
  • 首个 「唇读信息 + 幻灯片语义信息」 结合的中文数据集
  • 包含唇读视频 (720P) + 幻灯片视频 (1080P)
  • 覆盖 9 大热门领域
性能提升：
单模态：CER 3.99% → 多模态融合：CER 2.58%
相对提升 35.3%
智源社区：https://kiri0824.GitHub.io/Chinese-LiPS/
🌏 GigaSpeech 2 - 东南亚多语种数据集
发布时间： 2024 年 6 月
合作机构： 上海交大 X-LANCE、SpeechColab 等
数据规模： 30,000 小时 (raw)，22,000 小时 (refined)
语言分布：
  • 泰语： 10,000 小时
  • 印尼语： 6,000 小时
  • 越南语： 6,000 小时
特色功能：
  • 涵盖 19 个主题领域
  • 提供自动化构建流程
  • 模型性能达到商业服务水平
HuggingFace下载地址:https://huggingface.co/datasets/speechcolab/gigaspeech2
WenetSpeech-Yue - 2 万小时粤语语音数据集
发布时间： 2025 年
合作机构： 西北工业大学 ASLP Lab、中国电信、希尔贝壳、Wenet 开源社区、香港科技大学
数据规模：21,800 小时，全球最大粤语语音数据集
数据特色：
  • 覆盖 10 个领域： 讲故事、娱乐、戏剧、文化、vlog、评论、教育、播客、新闻等
  • 多维标注： ASR 转录、文本置信度、说话人身份、年龄、性别、语音质量评分、字符级时间戳
  • 质量分级： 强标签 (confidence>0.9)、中等标签 (0.8-0.9)、弱标签 (0.6-0.8)
技术亮点：
  • 专门筛选 12,000 小时高质量语音用于 TTS (DNSMOS>2.5 且 SNR>25dB)
  • 提供 WS Yue-Eval 评测基准
  • 支持中英混杂 (code-switching) 场景
下载地址：
GitHub：https://GitHub.com/ASLP-lab/WenetSpeech-Yue
ASR 模型：https://GitHub.com/ASLP-lab/ws-yue-asr
TTS 模型：https://GitHub.com/ASLP-lab/ws-yue-tts
WenetSpeech-Chuan - 1 万小时川渝方言数据集
合作机构： 西北工业大学 ASLP Lab、希尔贝壳、中国电信人工智能研究院、南京大学、Wenet 开源社区
数据规模：10,000 小时，首个大规模川渝方言语音语料库
覆盖 9 个领域： 满足 1.2 亿母语使用者需求
多维标注： ASR 转录、文本置信度、说话人情感、年龄、性别、语音质量评分
应用价值： 填补川渝方言数据空白，推动方言保护
评测基准：
  • WSC-Eval-ASR： 人工标注集，评测不同场景声学条件下的 ASR 性能
  • WSC-Eval-TTS： 简单和困难子集，用于标准测试与泛化能力测试
技术价值：
  • 基于该数据集训练的模型性能超越 SOTA 系统
  • 与商业系统相媲美
  • 推动川渝方言语音技术发展
下载地址：
GitHub：https://GitHub.com/ASLP-lab/WenetSpeech-Chuan
ASR 模型：https://GitHub.com/ASLP-lab/ws-chuan-asr
TTS 模型：https://GitHub.com/ASLP-lab/ws-chuan-tts
🧠 LLaSO - 开源语音大模型框架
发布时间： 2024 年
发布机构： 北京深度逻辑智能科技
框架组成： 三大核心组件
LLaSO-Align（对齐数据集）：
  • 1200 万语音 - 文本对齐样本
  • 建立语音表示与文本语义空间对齐
LLaSO-Instruct（指令数据集）：
  • 1350 万多任务指令样本
  • 涵盖 20 项任务，支持三种交互模式
LLaSO-Eval（评估基准）：
  • 15,044 个测试样本
  • 标准化评估协议
下载地址：
GitHub：https://GitHub.com/EIT-NLP/LLaSO
🔄 Easy-Turn-Trainset - 对话轮次检测数据集
数据规模：约 1100 小时
数据类型： 真实 + 合成数据
数据集组成：
  • 完整状态： 580 小时
  • 不完整状态： 532 小时
  • 回应状态： 10 小时
  • 等待状态： 23 小时
应用场景： 全双工对话系统的轮次检测
下载链接：
数据集：https://www.modelscope.cn/datasets/ASLP-lab/Easy-Turn-Trainset
🌐 CS-Dialogue - 中英文切换数据集
发布时间： 2025 年 2 月
数据规模：104 小时，200 位说话人
语言类型： 普通话 - 英语切换
最大的公开自发式中英文切换对话数据集
包含完整对话录音和转录
捕捉自然的切换现象
下载链接：
arXiv 论文：https://arxiv.org/pdf/2502.18913
GitHub：https://huggingface.co/datasets/BAAI/CS-Dialogue


02、🌍 国际开源语音数据集

🌐 Meta Omnilingual ASR Corpus - 1600 + 语言语音数据集
发布时间： 2025 年 11 月（最新发布）
发布机构： Meta AI FAIR 团队
数据规模： 350 种低资源语言的大规模转录数据集
支持语言：1600 + 种语言，其中 500 种首次被 AI 覆盖
技术突破：
  • 78% 的语言字符错误率低于 10%
  • 95% 有 10 小时以上训练数据的语言达到实用标准
  • 36% 低资源语言（<10 小时数据）也达到实用水平
创新特性：
  • 少样本学习：仅需几段音频 + 文本即可扩展新语言
  • 理论扩展能力：可扩展到 5400 + 种语言
  • 模型规模：3 亿参数（轻量级）到 70 亿参数（高精度）
下载地址：
GitHub：https://GitHub.com/facebookresearch/omnilingual-asr
Hugging Face 数据集：https://huggingface.co/datasets/facebook/omnilingual-asr-corpus
在线演示：https://aidemos.atmeta.com/omnilingualasr/language-globe
转录工具：https://huggingface.co/spaces/facebook/omniasr-transcriptions
🎯 Common Voice - 最大众包语音数据集
更新频率： 每季度更新
最新版本： 22.0（2025 年 6 月）
数据规模： 86.53GB，3,718 小时录制
支持语言：137 种语言
参与人数： 97,925 人
2024-2025 年发展：
  • 从 80.8GB 增长到 86.53GB
  • 语言覆盖从 100 + 扩展到 137 种
  • 参与人数增长 7,000+
下载地址：
Mozilla Data Collective:https://datacollective.mozillafoundation.org/datasets
🎵 HiFiTTS-2 - 高带宽语音合成数据集
发布会议： Interspeech 2025
数据规模： 36.7k 小时（22.05kHz），31.7k 小时（44.1kHz）
语言： 英语
技术特色：
  • 专注高带宽语音合成
  • 详细元数据标注
  • 支持零样本 TTS 训练
下载地址：
ISCA Archive：https://huggingface.co/datasets/nvidia/hifitts-2
🏥 Bridge2AI-Voice - 医疗语音数据集
发布时间： 2025 年 1 月
发布机构： NIH Bridge2AI 计划
数据规模： 12,523 条录音，306 位参与者
疾病覆盖：
  • 语音障碍
  • 神经系统疾病（帕金森、ALS、中风）
  • 心境障碍（抑郁症、焦虑症）
  • 呼吸系统疾病
下载地址：
PhysioNet（需申请）：HTTPS://physionet.org/content/b2ai-voice/1.1/
💊 VietMed - 越南医疗语音数据集
数据规模： 16 小时标注医疗语音 + 2200 小时无标注语音
语言： 越南语
覆盖所有 ICD-10 疾病组
包含越南所有口音
提供预训练和微调模型
下载地址：
GitHub：https://GitHub.com/leduckhai/multimed
😊 nEMO - 波兰情感语音数据集
数据规模： 3 小时，9 位演员
情感类别： 愤怒、恐惧、快乐、悲伤、惊讶、中性
下载地址：
Hugging Face：https://huggingface.co/datasets/amu-cai/nEMO
arXiv：https://arxiv.org/abs/2404.06292

03、📈 数据集统计分析

按规模分布
  • 超大规模（10k 小时 +）： Emilia(101k)、WenetSpeech-Yue(21.8k)、GigaSpeech 2(30k)、WenetSpeech-Chuan(10k)
  • 中等规模（100-1000 小时）： Chinese-LiPS(100)、Easy-Turn(1100)
  • 小规模（10-100 小时）： ChildMandarin(41)、SeniorTalk(55)、CS-Dialogue(104)
按语言覆盖
  • 单语言： 中文、英语、波兰语、越南语等
  • 多语言： Meta Omnilingual(1600+)、Common Voice(137)、Emilia(6)
  • 方言： 粤语 (WenetSpeech-Yue)、川渝方言 (WenetSpeech-Chuan)
按应用领域
  • 语音识别： 最多，包含多个大规模数据集
  • 语音合成： 注重情感表达和多风格
  • 医疗健康： 新兴重要领域
  • 情感分析： 多语言覆盖
  • 多模态： 结合视觉信息
  • 方言保护： 粤语、川渝方言等

04、🎯 使用建议

  • 规模突破： 10 万小时级数据集成为现实
  • 质量提升： 多模态、精细化标注成为趋势
  • 语言覆盖： 从主流语言扩展到 1600 + 种语言
  • 方言保护： 粤语、川渝方言等地方语言得到重视
  • 领域深化： 医疗、教育、娱乐等垂直领域快速发展
  • 技术创新： 自动化构建、合成数据等新技术应用
这些开源数据集为语音技术的发展提供了强有力的支撑，相信在这些优质数据的推动下，语音技术将在更多领域得到广泛应用。

💡 温馨提示： 所有数据集请按照其许可证要求合理使用，支持开源社区的发展！
如果您发现了其他优秀的开源语音数据集，欢迎留言补充！让我们一起推动语音技术的发展。