谷歌开源非洲24种语言语音数据集WAXAL

语音技术长期面临“数据偏食”问题：英语、中文等高资源语言模型飞速迭代，而非洲大陆上百种本土语言却在AI训练数据中近乎“失声”。为填补这一空白，谷歌AI联合多方研究者正式开源WAXAL——迄今规模最大的开源非洲多语种语音数据集。该数据集覆盖尼日利亚豪萨语、南非祖鲁语、肯尼亚斯瓦希里语等24种非洲语言，包含高质量录音、精准对齐的文本转录及发音标注，全部采用CC-BY 4.0协议开放，支持ASR（语音识别）与TTS（语音合成）模型训练。尤为关键的是，WAXAL强调本地化采集：超80%音频由母语者在真实生活场景中录制，并经语言学家审核，显著提升数据文化适配性与实用性。此举不仅助力非洲开发者构建本土化语音应用，也为全球AI公平性提供了可复用的协作范式。研究人员表示，未来将持续扩展语种与方言覆盖，并推动社区共建机制。

来源：MarkTechPost