海天瑞声11月数据集上新！这次推出的数据集包括语音识别、语音合成、多模态等领域，可用于多模态大模型训练任务，开发者可轻松应对数据瓶颈，高效提升模型性能。

• 印度尼西亚语语音识别数据集

• 泰语语音识别数据集

• 温柔贴心中文女声语音合成数据集

• 美国英语多情感语音合成数据集

• 人体动作视频文本对数据集

• 人体行为图文对数据集

• 监控人体图文对数据集

• 人脸图文对数据集

• 专业场景图文对数据集

• 通识图文对数据集

印尼语语音识别数据集-对话

印尼语是印度尼西亚的官方语言，也是马来西亚和文莱的官方语言之一，在新加坡和东帝汶也有一定数量的使用者，全球约有1.9亿人口使用印尼语。高质量印尼语数据有助于提升模型语音识别能力，助力企业拓展东南亚市场。 

🔥 产品特色：数据集含 100名发音人，总时长109小时，95%以上字准确率。发音人性别均衡，年龄跨度从18岁到65岁，全面覆盖了不同年龄段的语言特征。

🚀 话题内容：家庭、健康、音乐、购物、体育、旅行、工作、食物、教育、电影、社交网络、朋友、娱乐、新闻、宠物、计算机、电视、名人、生活、结婚、天气等日常闲聊话题。

泰语语音识别数据集-对话

泰语又称泰国语或暹罗语，主要在泰国和老挝部分地区使用，全球约有6800万人口使用泰语。对话数据有助于模型理解真实场景的对话模式和语言习惯，提升对泰语理解的准确度。

🔥 产品特色：包含402名发音人，总时长超203小时，95%以上字准确率。61.69%男性和38.31%女性发音人，年龄跨度从18岁到65岁，全面覆盖了不同年龄段的语言特征。

🚀 话题内容：包括泰语独白和会话，覆盖金融、教育、医疗、技术、环境、旅游等11个行业。

中文女声语音合成数据集-温柔贴心

卓越的数据质量深受客户喜爱，成为数字人和虚拟主播的理想选择，能够助力模型生成更加自然和有吸引力的音色。

🔥 产品特色：总时长4.43小时，99%以上字准确率。音色亲切温柔，语速均匀。标注发音、韵律等细节。

🚀 话题内容：包含情侣对话、电商直播、陈述语气、自由对话等内容。覆盖愉悦、不满、害怕、温柔、抒情、悲伤、严厉、友好、低语、抱歉、兴奋、撒娇、愤怒、平静等14种情感。

美国英语多情感语音合成数据集

在游戏、有声读物、虚拟人等领域，情感丰富的语音合成数据能够提升模型语音合成效果，增加用户体验，助力国内企业出海欧美市场。

🔥 产品特色：共包括3个数据集，每种音色3小时，由2男和1女录制，3个音色年龄段。每个音色包括中性、开心、愤怒、悲伤、震惊、憎恨、害怕、大喊、哭泣、大笑、虚弱等11种情感。

人体动作视频文本对数据集

🔥 产品特色：多种场景（室内、室外），多种语言文本（中文、英文），多年龄段（青年、中年、老年）多种人体动作（包括但不限于打电话、抽烟、喝水等），文本描述视频中人员信息及人员动作内容。提供视频中主要元素的标签。

🚀 产品规模：100,000组

🖼️ 图片规格：不低于1080P，视频时长不低于5s

📝 文本规格：包含主要元素标签、中文及英文描述

人体行为图文对数据集

🔥 产品特色：多色人种室内外不同采集场景下，涵盖了常见的面部表情及丰富肢体动作，不同拍摄角度及年龄段（均为成年人）的多种人体行为图片及文本描述。

🚀 产品规模：20,000组

🖼️ 图片规格：512P及以上

📝 文本规格：包含标签，中文及英文描述

监控人体图文对数据集

🔥 产品特色：室内和室外多样采集环境，涵盖老中青不同年龄段，以及不同季节的人体图像。中英文本的描述，包含人体对应位置、方位指示等细节标注。

🚀 产品规模：20,000组

🖼️ 图片规格：720P以上

📝 文本规格：包含中文及英文描述

人脸图文对数据集

🔥 产品特色：多色人种室内外不同采集场景下，成年人佩戴口罩、眼镜、耳机，表现多种常见表情的面部图片及文本描述。

🚀 产品规模：20,000组

🖼️ 图片规格：512P及以上

📝 文本规格：包含中文及英文描述

专业场景图文对数据集

🔥 产品特色：多种场景、多时间段、多种拍摄角度的图像，图像覆盖建筑、陈列、城市街景、家庭环境、比赛场景、商场、学校、展览、自然环境等。提供对应文本描述。

🚀 产品规模：20,000组

🖼️ 图片规格：720P及以上

📝 文本规格：包含标签，中文及英文描述，中文描述大于30个汉字（不包含符号）。

通识图文对数据集

🔥 产品特色：包含人物、美食、风景、建筑、城市、乡村、健康、运动、医疗、汽车、背景、金融、教育、油画、插画、水彩、旅行、时尚、浪漫、动物、植物、太空、科技等23种类别数据。

🚀 产品规模：2,000,000组

🖼️ 图片规格：2K及以上

📝 文本规格：包含标签，中文或英文描述