音频数据集大全（1）-语音识别篇

1、Llama3 中文化数据集

简介：Llama3 中文化数据集是为了提高Llama3模型在中文语境下的表现而专门设计和准备的数据集。数据集被处理成firefly格式，这意味着它们可以直接用于firefly框架的训练过程。数据集包含了清洗处理后的合并文件，如sft_zh_with_all.jsonl，它包含了约169万条过滤后的问答数据。提供了多种下载方法，包括使用SDK和GIT克隆。SDK方法允许用户通过几行代码快速下载所需的数据集，而GIT方法则适用于希望直接从源代码仓库克隆数据集的用户。

下载链接：https://github.com/CrazyBoyM/llama3-Chinese-chat

2、中文语音识别Aishell-1学术数据集

简介：希尔贝壳中文普通话开源语音数据库AISHELL-ASR0009-OS1录音时长178小时，是希尔贝壳中文普通话语音数据库AISHELL-ASR0009的一部分。AISHELL-ASR0009录音文本涉及智能家居、无人驾驶、工业生产等11个领域。录制过程在安静室内环境中， 同时使用3种不同设备： 高保真麦克风（44.1kHz，16-bit）；Android系统手机（16kHz，16-bit）；iOS系统手机（16kHz，16-bit）。高保真麦克风录制的音频降采样为16kH