GigaSpeech 3

GigaSpeech 3 是 SpeechColab 发布的大规模多方言阿拉伯语语音识别语料：约 1030 万条弱转写语音片段、约 3.9 万小时，覆盖五种方言——DZA（阿尔及利亚）、EGY（埃及）、IRQ（伊拉克）、SAU（沙特）、SYR（叙利亚）。HF：https://huggingface.co/datasets/speechcolab/gigaspeech3 ；论文 arXiv 2611.02476（《Scaling Multi-Dialect Arabic Speech Recognition with Weakly Labeled Data》）；评测集 GigaSpeechBench；校对门户 VoxLabel。

数据与方法（官方 card / 手稿）：

• 每方言约 51–63 小时人工转写，训 VietASR 风格偏置 SSL 标注模型，再对匹配方言的网络音频生成弱标签；
• SAU/SYR 经数据筛选与四轮 noisy-student 精炼；
• 音频按方言分 tar shard + Parquet 元数据；HF 上约 4.82 TB、约 10,271,066 行；
• 手稿报告最终方言专用 Zipformer 在 GigaSpeechBench 五方言上 macro-average WER 23.86%；
• 继承 GigaSpeech / GigaSpeech 2 编号品牌线。

为什么重要

阿拉伯语方言 ASR 长期缺大规模公开训练资源；GigaSpeech 3 用弱监督把五方言推到千万段级，并配套公开评测与校对工具。

许可与用途

官方：仅限科研与评测，不授予商业使用权；底层录音权利仍归原权利人。评测请用独立人工转写（GigaSpeechBench），勿用训练集弱标签当金标。

局限

• 弱标签含识别/规范化错误；国家级方言标签偏粗，可能混 MSA 与语码转换；
• 网络来源带来主题与人口统计偏差；
• 单 shard 可达数 GB，需按元数据按需下载。

适合谁

• 做阿拉伯语多方言 ASR、弱监督与低资源语音的研究团队；
• 需要对照 GigaSpeechBench / 迁移到 MASC、Casablanca、SADA 的人；
• 使用 VoxLabel 做校对的标注项目。

如何上手

1. 读 arXiv 2611.02476 与 HF card；
2. load_dataset("speechcolab/gigaspeech3", "SAU", split="train", streaming=True) 先拉元数据；
3. 再用 hf_hub_download 按 dialect/audio/{shard} 拉对应 tar；
4. 评测走 GigaSpeechBench；商业场景勿直接用本发布。