open-speech-corpora

收录理由

做语音模型的人都知道，最磨人的往往不是训练本身，而是开工前找数据——要找到版权上真正允许使用的音频，常常要翻遍各个角落。这个项目把一批采用开放许可的语音语料整理成了一份清单，按许可证类型分组，扫一眼就能判断哪些数据可以放心用于商业项目。里面既有丹麦语、瑞典语这类小语种资源，也有像Common Voice这样覆盖多语言的大规模数据集，每个条目都标了大致时长、说话人数量和直接下载地址。项目的issue区还堆着不少待添加的语料建议，从中也能看出社区目前还在找什么。它不会替你训练模型，但能帮你省下好几天到处找数据的时间。