【开源】Radio Dataset Utility and Organizer (RaDOU) 自动采集电台语音并制作 ASR 训练数据集 (STT DataSet)

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

- 我的帖子已经打上 开源推广 标签： 是

- 我的开源项目完整开源，无未开源部分： 是

- 我的开源项目已链接认可 LINUX DO 社区： 是

- 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是

- 以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

最近做了一个小工具 RaDUO（Radio Dataset Utility and Organizer）。

主要是把网络电台的直播流自动录下来，切成短音频，再通过 STT 转成文字，整理成可以用于 ASR 研究和训练的数据集。

支持：

- 多个电台同时采集

- 自动切分音频

- 多种 STT Provider

- 语言、台站、音频质量等 metadata

- CSV / JSONL / Excel 导出

- 自带 GUI 管理整个流程

目前已经开源，有兴趣做语音识别、ASR dataset 或多语言语音数据收集的可以看看。这个项目是个伏笔哈哈哈，我接下来有计划可能自己搞/Fine Tunning STT模型吧（也在学习中)…

懒人包：

电台直播 > 自动录音 > 切分语音 > STT > 整理 metadata > 导出数据集

ermm, 怎么说 也算是一个蒸馏工具毕竟也可以使用已有STT模型替你Transcrripts。毕竟个人来说没法能够搞出几万小时的Dataset嘛，所以只能靠这种方式和人类参与到其中来判定和筛选等等。

GitHub 项目地址:

github.com

GitHub - osscv/RaDUO: RaDUO turns live radio broadcasts into...

RaDUO turns live radio broadcasts into multilingual STT datasets for ASR research. It records stations in parallel, splits streams into clips, transcribes audio, extracts quality features, and stores searchable metadata. Includes 16 kHz mono WAVs, transcripts, station info, languages, and optional word timings.

个人 Project 综合:

dkly.net

Radio Dataset Utility and Organizer (RaDUO)

RaDUO (Radio Dataset Utility and Organizer) turns live radio broadcasts into a multilingual speech-to-text (STT) dataset for ASR research, evaluation, and model