Diarization
synthetic-speech-diarization-ru
synthetic-speech-diarization-ru
Synthetic speech diarization dataset in Parquet format.
Dataset Details
Number of tracks: 2000
Sampling rate: 16000 Hz
Audio format: Embedded in Parquet files (Audio feature compatible)
Storage: Parquet format for efficient loading
Dataset Structure
The dataset contains audio tracks with speaker diarization annotations, stored directly in Parquet format.
Features
audio: Audio waveform (Audio feature with array and… See the full description on the dataset page: https://huggingface.co/datasets/niobures/synthetic-speech-diarization-ru.bengali-diarization-synthetic-v3echo-synthetic-diarization
Echo (Synthetic Set for Diarization)
This dataset is a synthetic dataset generated for evaluation of speaker
diarization models. It contains approximately two hours of speech data, each
file 60 seconds long, with and without overlap, with 2--5 speakers per file.
This dataset has been built using Echo.
luganda_callhome_diarization_dataset_MHDPvoicevox-diarization-ja
VOICEVOX合成 多話者日本語音声（話者分離検証用データセット）
Qwen3-ASR の話者分離ファインチューニング検証、特に embedding層＋projectorのみの学習で話者分離が学べるか を確かめるために作成した、正解ラベルが厳密な合成データです。
作り方
gemma（gemma-4-31B-it）で話題別のモノローグ日本語テキストを生成
文単位に分割し、各文境界で確率0.3で話者を切替（2〜3話者）
各文を割当てた VOICEVOX 話者で音声合成し連結
→ 合成由来なので、各文の [開始秒, 終了秒] と話者が完全に既知（人手や別ASRに依存しない厳密ラベル）。
規模
698クリップ、各 約2分、opus (24kbps) / 16kHz 相当 mono
2話者 約88% / 3話者 約12%
話者は各クリップ内の登場順に spk_0, spk_1, spk_2 と採番
列 (data.jsonl)
列
内容… See the full description on the dataset page: https://huggingface.co/datasets/okadahiroaki/voicevox-diarization-ja.diarization_dataset