laubonghaudoi/

legco-speech

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。

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 s) 7.71… See the full description on the dataset page: https://huggingface.co/datasets/laubonghaudoi/legco-speech.