CoolFace
Datasetpublic

laubonghaudoi/legco-speech

香港立法會會議語音數據集 本數據集係由香港立法會會議製成嘅大規模語音數據集。原始錄音總時長 22,196 個鐘，切分語音後總時長 20,471 個鐘。數據集分兩個子集，raw同segmented，分別為原始錄音同VAD識別切分後嘅語音。 數據集製作流程 先去香港特別行政區立法會 YouTube下載所有會議紀錄並轉為 16kHz 採樣率嘅 OPUS音頻 用 fsmn-vad 切分所有語音，並用 Qwen3-ASR-1.7B 轉寫成粵文 srt 字幕 轉寫後用正則表達式修正字幕中常見轉寫錯誤 將數據集分成 raw、 segmented 兩個子集傳到HF 子集 subset raw segment 總行數 Row number 14,036 9,557,109 總時長 Total duration 22,195.55 hr (79,903,980.00 s) 20471.21 hr (73,696,365.27 s) 平均時長 Average duration 1.58 hr (5692.79… See the full description on the dataset page: https://huggingface.co/datasets/laubonghaudoi/legco-speech.

sourceHugging Facecc0-1.0updated 7mo agoView on Hugging Face
3likes5.1kdownloads
Dataset Card

香港立法會會議語音數據集

Dataset Description

  • —License: CC0 1.0 Universal
  • —Language: Cantonese
  • —Audio Format: 16kHz OPUS
  • —Total Duration (Raw): 22,195.55 hours
  • —Total Duration (Segmented): 20,71.21 hours
  • —Average Meeting Duration: 5692.79 seconds (1.58 hours)
  • —Average Segment Duration: 7.71 seconds
  • —Median Meeting Duration: 6153.00 seconds (1.71 hours)
  • —Median Segment Duration: 8.17 seconds
  • —Total number of characters: 377,722,545
  • —Average characters per segment: 39.52
  • —Median characters per segment: 40

本數據集係由香港立法會會議製成嘅大規模語音數據集。原始錄音總時長 22,196 個鐘，切分語音後總時長 20,471 個鐘。數據集分兩個子集，raw同segmented，分別為原始錄音同VAD識別切分後嘅語音。

數據集製作流程

  1. 1.先去香港特別行政區立法會 YouTube下載所有會議紀錄並轉為 16kHz 採樣率嘅 OPUS音頻
  2. 2.用 fsmn-vad 切分所有語音，並用 Qwen3-ASR-1.7B 轉寫成粵文 srt 字幕
  3. 3.轉寫後用正則表達式修正字幕中常見轉寫錯誤
  4. 4.將數據集分成 raw、 segmented 兩個子集傳到HF
子集 subset`raw``segment`
總行數 Row number14,0369,557,109
總時長 Total duration22,195.55 hr (79,903,980.00 s)20471.21 hr (73,696,365.27 s)
平均時長 Average duration1.58 hr (5692.79 s)7.71 s
中位時長 Median duration1.71 hr (6153.00 s)8.17 s
平均字數 Average subtitle characters26,910.9839.52
中位字數 Median subtitle characters29,219.0040.00

數據列

segment

名稱類型描述
video_idstring源 YouTube 影片 ID
segment_idint字幕 SRT 文件中嘅片段 ID
audioAudio音頻
textstring粵文轉寫文本
start_timefloat該片段開始時間點
end_timefloat該片段結束時間點
durationfloat該片段時長

raw

名稱類型描述
idstringYouTube 影片 ID
audiostring會議音頻路徑（如 audio/2026/xxx.opus）
transcriptionstring粵文轉寫字幕 SRT
titlestringYouTube 影片標題
descriptionstringYouTube 影片描述
publish_datestringYouTube 影片發佈日期
durationstring總時長（HH:MM:SS 格式）
duration_secondsint總時長（秒數）

原始 SRT文件都放喺raw/transcriptions/

Usage

python
from datasets import load_dataset

# Sentence-level segments (default, recommended for training)
ds = load_dataset("<user>/legco-speech", "segmented", split="train", streaming=True)
sample = next(iter(ds))
print(sample["text"])
# 香港嘅社會同城市結構已經跨越咗壯年嘅階段。
print(sample["start_time"], sample["end_time"], sample["duration"])
# 0.42 9.08 8.66

# Full meeting recordings
ds_raw = load_dataset("<user>/legco-speech", "raw", split="train", streaming=True)
sample = next(iter(ds_raw))
print(sample["audio"])
# audio/2026/uoCHLDPldq4.opus
print(sample["title"])
# 房屋事務委員會特別會議 (2026/02/23)

# To load the actual audio, either cast the column:
from datasets import Audio
ds_raw = ds_raw.cast_column("audio", Audio(sampling_rate=16000))

# Or download individual files:
from huggingface_hub import hf_hub_download
path = hf_hub_download("<user>/legco-speech", sample["audio"], repo_type="dataset")