Datasets:

joujiboi
/

japanese-anime-speech

audio audioduration (s) 0.48 32.2	transcription stringlengths 2 99
	ひこうき？
	あれ？あなた
	あなた、キンセーさん？
	って、そんなことないか。キンセーさんはそんなに若くないもんね。でも、ホント、よく似てる
	うん。アイオイキンセーさん
	あなた、キンセーさんのご親戚？
	トーサン？トーサンって誰？っていうか、君は？
	ああ、キンセーさん
	関係？名前？
	ごめんなさい。名前と顔は何となく覚えてるんだけど、それ以外はよく思い出せないみたい
	え？わたしの名前？っと
	多分、アイ
	うん。多分、そう呼ばれてたと思う
	わ、すごい。それも思い出せない
	ひょっとして、これって記憶喪失？
	そうだね。まったく、ぜんぜん、さっぱり
	えーと、多分、にねんえーぐみ？
	わたし、なんで何にも覚えてないのかなぁ？
	ショックなんて受けたかなぁ？
	そうなんだ。へぇー
	わー、メイドさんだ。凄い
	大丈夫ですよう。ちゃんと歩けます
	置いてっちゃうぞー
	こんな立派なマンションに住んでるんだね。えっと…何さん、だっけ？
	わあ、かわいい。生きてるんだね、それ
	よろしくね、白玉ちゃん
	リシアちゃん。リシアちゃんは神族さん？それとも魔族？
	ごめんね。神族と魔族の見分け方、よくわかってなくて
	そうなの？それはすごいねぇ。っていうか、リシアちゃんはお嬢様なの？メイドさんを連れてるけど
	わあ、すごい。ホンモノのお嬢様なんだね
	どういうこと？
	わあ、そうなんだ。便利だね！
	あ、戻って来たー
	ごめんね、お役に立てなくてー
	うん。そうさせてもらいます。っていうか、十分リラックスしてますよ。白玉ちゃんも可愛いし
	あなた、わたしのこと、何か知ってるの？
	あまいし、あい
	おお、わたしっぽい。多分、わたしだ。えっと、あまいし？
	何をしてたのって言われても。ごめんね、何にも覚えてないんだ。そもそも、本当に七年経ったのかどうかもわかんないし
	そういうこと、ってどういうこと？
	えすえふって、何の略だっけ
	さいえんす。あーごめん、よくわかんないや
	ごめーん、思い出せないかな？
	でも、うん！信じるよ。わたしは天石藍！うん。そんな気がしてきた
	そりゃね。こんなに可愛くて一生懸命な子が嘘つくわけないし
	え？そう？なんか照れますなぁ
	はーい。わたしはとりあえず、何でもいいです！
	そうなの？
	へえー、すごいんだねぇ
	もっとお話しする？
	そっかぁ。残念、わたしのこと、いろいろ聞こうかと思ったのに
	そうだよね。受け入れるには、時間が必要だもんね
	うん、また明日。何か思い出したら言うね
	いいですよー
	やっほー、みんなー
	ごめんなさい。ここに来れば、何か思い出すかと思ったんだけど
	ありがと。えっと、らぴすちゃん、でいいんだよね？
	あ、それもそうだね。えっと…らぴす
	これでいい？
	大丈夫大丈夫！
	なんか、すごいんだね。神族の人たちの魔法って
	ふう。なんか疲れたねー
	なんだかお腹すいちゃったねぇ
	ほほー、ふたりは仲良しなんだねー
	二人は付き合ってるの？
	あ、やっぱりそうなんだねー。いい雰囲気だもんねー
	えー、そうなんだー。それはすごーい。最近の若者は凄いねー
	そのつもりだったけど、皆の話を総合すると、七年前の若者らしいからさ
	昔は違ったの？
	あは、幻滅させちゃったね
	こんにちはー！
	医療関係…お医者さんですか？
	わー、ぱちぱちぱち
	藍です。えーと、なに藍だっけ？
	ああ、そうだった。あまいし藍です
	ああ、どうもそうらしいです。よく覚えてないんですけどね
	なんですか？
	あ、きんせーさんだ！
	はい。隣の女の人はわかりませんけど
	え？あー、言われてみれば
	あー、きんせーさんと一緒にいた人に似てる気がします。名前は、思い出せないですけど
	へえー、なんかお似合いな気がする
	はーい。ごはんごはん
	あるんでしょ？
	じゃあ、わたしのこと、いろいろ教えて
	待ってました
	ごちそうさまでした
	きんせーさんから？
	ともかく、すっごく偉い人ってことでいいんだね？
	なるほどね
	元気元気
	フローラさんの作った神界料理の朝ご飯、美味しくて
	考えすぎだよー。わたしはここにいるから大丈夫、って言ってるんだけどね
	それがいいよ。ね？手をつないでやろう？
	これでいいの？
	えへへー、もう食べられないよー
	あれ？頼斗くん？おはよう
	わあ、また飛行機の中だ
	あはは、ごめん。多分そうだと思うけど、よくわかんないや
	ごめんねぇ。らぴすちゃんのことも、思い出してあげられたらいいんだけど

End of preview. Expand in Dataset Viewer.

Japanese Anime Speech Dataset

日本語はこちら

japanese-anime-speech is an audio-text dataset designed for the training of automatic speech recognition models. The dataset is comprised of thousands of audio clips and their corresponding transcriptions from different visual novels.

The goal of this dataset is to increase the accuracy of automatic speech recognition models, such as OpenAI's Whisper, in accurately transcribing dialogue from anime and other similar Japanese media. This genre is characterized by unique linguistic features and speech patterns that diverge from conventional Japanese speech.

A list of all audio files and transcriptions can be found here.

Content Warning: Please be advised that the majority of the audio in this dataset is sourced from visual novels and may include content that is not suitable for all audiences, such as suggestive sounds or mature topics. Efforts have been undertaken to minimise this content as much as possible.

Dataset information

73,004 audio-text pairs
110 hours of audio (OpenAI suggests a minimum of 5 hours for productive Whisper fine-tuning).
5.4s average audio length
Audio source: visual novels
Lastest version: V5 - March 22nd 2024

Changelog

V1 - This version contains 16,143 audio-text pairs from the visual novel IxSHE Tell. Some cleaning of the transcriptions has been done to get rid of unwanted characters at the start and end of lines.
V2 - The version contains 23,422 audio-text pairs from three different visual novels. Cleaning has been done to remove most nsfw lines, especially noises that aren't words. The audio is now in mp3 format, rather than wav. This version contains 32.6 hours of audio.
V3 - The version contains 38,325 audio-text pairs from five different visual novels. Thorough cleaning has been done to remove most nsfw or low-quality audio files. Transcriptions have been formatted to contain much fewer dramatised duplicated characters (for example 「ああああーーー」), and transcriptions have been made much more consistent. This version contains 52.5 hours of audio.
V4 - The dataset contains 47,844 audio-text pairs from six different visual novels. Thorough cleaning has been done to remove most nsfw or low-quality audio files. This version contains 63.4 hours of audio.
V5 - The dataset contains 73,004 audio-text pairs from eight different visual novels. Thorough cleaning has been done to remove most nsfw or low-quality audio files. This version contains 110 hours of audio.

Bias and Limitations

This dataset, while valuable for training anime-style Japanese speech recognition, has some inherent biases and limitations. The audio is primarily sourced from visual novels, leading to a gender bias towards female voices and a domain-specific vocabulary revolving around topics such as love, relationships, and fantasy. Additionally, the professionally produced nature of the audio results in clear and slow speech, which may not fully reflect real-world speaking patterns.

Use & Credit

This dataset is openly available for commercial or non-commercial use. Anyone is welcome to use this dataset as they deem appropriate. However, the creator assumes no responsibility for the consequences of its use. While not mandatory, crediting this dataset with a hyperlink in any derivative work would be greatly appreciated.

I hope that by sharing this dataset, we (the open-source community) improve automatic speech recognition for anime content.