由LDC和NIST开发的2021年说话人识别评测开发与测试集，包含约447小时粤语、普通话和英语电话会话语音、视频音频及图像数据，附答案键、注册和试验文件。
该数据集包含开发与测试用的语音、音频和图像数据，以及答案键、注册和试验文件。数据来自LDC收集的WeCanTalk语料库，包含约355小时CTS音频（8kHz A-law sphere格式）、53小时AfV片段（16kHz FLAC压缩MS-WAV格式）、39小时视频片段（mp4格式）和202张自拍图像（JPG格式）。来源页未公开字段级说明。
适用于文本无关的说话人识别技术研究、评测系统开发及性能基准测试。
信息来自公开来源，具体内容和使用条件请以来源页面为准。
获取受限，需申请访问权限，且许可条款不明确。
Mandarine Academy Recommender System (MARS) Dataset，来自哈佛Dataverse…
Mozilla Common Voice 多语言开源语音识别语料，包含多种语言的口语录音与文本对齐数据，可用于训练语音识别模型。
ORIN Lyrics数据集包含862条尼日利亚歌曲歌词，涵盖约鲁巴语、英语、尼日利亚皮钦语及多语言组合，附有艺术家、标题、专辑、年份、流派等元数据，专为自然语言处理研究设计。
2012年在凯尔特海大哈伊格弗拉斯海洋保护区使用AUV Autosub6000采集的海底原始图像，由英国国家海洋学中心等机构提供。
