香港立法會會議語音數據集
Dataset Description
- License: CC0 1.0 Universal
- Language: Cantonese
- Audio Format: 16kHz OPUS
- Total Duration (Raw): 22,195.55 hours
- Total Duration (Segmented): 20,71.21 hours
- Average Meeting Duration: 5692.79 seconds (1.58 hours)
- Average Segment Duration: 7.71 seconds
- Median Meeting Duration: 6153.00 seconds (1.71 hours)
- Median Segment Duration: 8.17 seconds
- Total number of characters: 377,722,545
- Average characters per segment: 39.52
- Median characters per segment: 40
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。
數據集製作流程
- 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 s |
| 中位時長 Median duration | 1.71 hr (6153.00 s) | 8.17 s |
| 平均字數 Average subtitle characters | 26,910.98 | 39.52 |
| 中位字數 Median subtitle characters | 29,219.00 | 40.00 |
數據列
segment
| 名稱 | 類型 | 描述 |
|---|---|---|
video_id | string | 源 YouTube 影片 ID |
segment_id | int | 字幕 SRT 文件中嘅片段 ID |
audio | Audio | 音頻 |
text | string | 粵文轉寫文本 |
start_time | float | 該片段開始時間點 |
end_time | float | 該片段結束時間點 |
duration | float | 該片段時長 |
raw
| 名稱 | 類型 | 描述 |
|---|---|---|
id | string | YouTube 影片 ID |
audio | string | 會議音頻路徑（如 audio/2026/xxx.opus） |
transcription | string | 粵文轉寫字幕 SRT |
title | string | YouTube 影片標題 |
description | string | YouTube 影片描述 |
publish_date | string | YouTube 影片發佈日期 |
duration | string | 總時長（HH:MM:SS 格式） |
duration_seconds | int | 總時長（秒數） |
原始 SRT文件都放喺raw/transcriptions/
Usage
from datasets import load_dataset
# Sentence-level segments (default, recommended for training)
ds = load_dataset("<user>/legco-speech", "segmented", split="train", streaming=True)
sample = next(iter(ds))
print(sample["text"])
# 香港嘅社會同城市結構已經跨越咗壯年嘅階段。
print(sample["start_time"], sample["end_time"], sample["duration"])
# 0.42 9.08 8.66
# Full meeting recordings
ds_raw = load_dataset("<user>/legco-speech", "raw", split="train", streaming=True)
sample = next(iter(ds_raw))
print(sample["audio"])
# audio/2026/uoCHLDPldq4.opus
print(sample["title"])
# 房屋事務委員會特別會議 (2026/02/23)
# To load the actual audio, either cast the column:
from datasets import Audio
ds_raw = ds_raw.cast_column("audio", Audio(sampling_rate=16000))
# Or download individual files:
from huggingface_hub import hf_hub_download
path = hf_hub_download("<user>/legco-speech", sample["audio"], repo_type="dataset")