Subscribe

全二重の学習データセットの選び方

English

全二重(聞きながら同時に話す)の音声モデルを学習させるデータは、まず、無料で商用利用できるものから始めます。データベースには10件あり、1.94時間から1,000時間までです。2チャンネルの音声で学習の処理を試すには、数時間あれば足ります。次に、価格が公表されている8件のどれかで時間数を増やします。価格は1時間あたり$10から$242です。この18件はどれも、話者ごとに別のチャンネルで録音されています。

ステップ1: 無料で商用利用できるデータ

次の10件は無料で、商用利用もできます。時間数は1.94時間から1,000時間までです。このうち1件を使って、2人の話者が別々のチャンネルのまま読み込まれるかを確かめます。学習が最後まで動くかも確かめます。ライセンスの下に、ファイルを手に入れるのに必要な手続きを書いています。2026年11月13日に、それぞれの配布元で確認しました。

データセット時間言語ライセンスと入手方法
Real-TurnTurk
Ata Technology Platforms
1.94 htrApache-2.0
そのままダウンロード
Perit Duplex Support Conversations (English)
Perit AI
5.1 henCC-BY-4.0
そのままダウンロード
otoSpeech-full-duplex-task-oriented-v2
otoearth
17.4 henCC-BY-4.0
フォームに記入(自動で承認)
HCRC Map Task Corpus
University of Edinburgh / University of Glasgow (HCRC)
18 henCC-BY-4.0 (downloads from the corpus site)
そのままダウンロード
otoSpeech-full-duplex-task-oriented-20h
otoearth
20 henCC-BY-4.0
フォームに記入(自動で承認)
Gridspace-Stanford Harper Valley
Gridspace / Stanford CS224S
23.7 henCC-BY-4.0
そのままダウンロード
otoSpeech-full-duplex-processed-141h
otoearth
141 henCC-BY-4.0
フォームに記入(自動で承認)
otoSpeech-full-duplex-280h
otoearth
280 henCC-BY-4.0
フォームに記入(自動で承認)
CANDOR
BetterUp Labs (Reece, Cooney et al.)
~860 henCANDOR Corpus License 2.1 (commercial use allowed, no redistribution)
申請(人が審査)
Open Yap 1K
The Agentic Data Company
1,000 henOpen Yap 1K Data Use Agreement (full corpus); CC-BY-4.0 (sample)
申請とデータ利用契約
  • 言語別: 英語9件、トルコ語1件。日本語を含むものはありません。
  • Perit Duplex Support Conversations は、台本をもとに演じた通話です。otoSpeech-full-duplex-task-oriented-v2、HCRC Map Task Corpus、otoSpeech-full-duplex-task-oriented-20h は、2人が課題に取り組みながら話した録音です。
  • otoSpeech-full-duplex-processed-141h は、otoSpeech-full-duplex-280h から選んだ録音にノイズ除去をかけ、新しい録音を加えたものです。2件には重なりがあります。
  • Open Yap 1K は、全体(1,000時間)を使うには申請とデータ利用契約が必要です。8.9時間のサンプルは、そのままダウンロードできます。

ステップ2: 価格が公表されているデータ

時間数を増やす段階では、価格を公表している話者別チャンネルのデータセットが8件あります。表は、1時間あたりの価格が安い順です。1時間あたりの価格は、総額を時間数で割ったものです。総額には、販売元が求める会員費も含めています。

データセット時間総額1時間あたり言語購入方法
otoSpeech 1,125h
otoearth
1,125 h$11,250$10.00enオンラインで購入
Fisher English
LDC
1,960 h$42,000$21.43enLDC のカタログで購入。商用利用には営利会員の資格が必要
Greybeard (LDC2013S05)
LDC
590 h$37,750$63.98enLDC のカタログで購入。商用利用には営利会員の資格が必要
Global Conversational Speech
UsergyAI
305 h$19,825$65.00zh en es +8問い合わせて購入
English (US) Conversational Speech
SpeechData.ai
1,500 h$135,000$90.00en書面の見積もりで購入
CALLFRIEND
LDC
~313 h$39,750$127.00en fr ar +10LDC のカタログで購入。商用利用には営利会員の資格が必要
Switchboard-1 (LDC97S62)
LDC
260 h$35,500$136.54enLDC のカタログで購入。商用利用には営利会員の資格が必要
HKUST Mandarin Telephone Speech, Part 1 (LDC2005S15)
LDC
149 h$36,000$241.61zhLDC のカタログで購入。商用利用には営利会員の資格が必要

総額の内訳は次のとおりです(データベースの記載、英語)。

  • otoSpeech 1,125h: The 1,125-hour pack, $11,250. Smaller packs start at $2,000 for 100 hours ($20 per hour).
  • Fisher English: LDC for-profit membership, Standard, 2026, $34,000; Fisher Parts 1 and 2, speech and transcripts, at LDC's reduced-license fee for members, $8,000. Non-members pay $16,000 and may use the data for research only.
  • Greybeard (LDC2013S05): LDC for-profit membership, Standard, 2026, $34,000; Greybeard at LDC's reduced-license fee for members, $3,750. Non-members pay $7,500 and may use the data for research only.
  • Global Conversational Speech: 305 hours at $65 per hour, as listed in the Hugging Face access request, $19,825.
  • English (US) Conversational Speech: 1,500 hours at $90 per hour, $135,000. Volume discounts are offered, and a purchase goes through a written quote.
  • CALLFRIEND: LDC for-profit membership, Standard, 2026, $34,000; One speech release for each of the ten sets with stated hours at LDC's reduced-license fee for members, seven at $500 and three at $750, $5,750. Non-members pay $11,500 for the ten releases ($1,000 each, $1,500 each for Korean Telephone Conversations Speech, Farsi Second Edition and Russian) and may use the data for research only. Each 1996 release of the six sets without stated hours adds $500 for members or $1,000 for non-members, and transcripts are separate releases that are not in this price.
  • Switchboard-1 (LDC97S62): LDC for-profit membership, Standard, 2026, $34,000; Switchboard-1 at LDC's reduced-license fee for members, $1,500. Non-members pay $3,000 and may use the data for research only.
  • HKUST Mandarin Telephone Speech, Part 1 (LDC2005S15): LDC for-profit membership, Standard, 2026, $34,000; HKUST Mandarin Telephone Speech and Transcript Data, Part 1, at LDC's reduced-license fee for members, $2,000. Non-members pay $4,000 for the speech and the transcripts and may use the data for research only.

LDC(Linguistic Data Consortium)の5件の総額には、営利企業向けの年会費$34,000を含みます。商用利用の権利は営利会員だけに与えられ、退会後も残ります。非会員向けの価格(Fisher English $16,000、Greybeard $7,500、CALLFRIEND $11,500、Switchboard-1 $3,000、HKUST Mandarin Telephone Speech, Part 1 $4,000)は、研究利用に限られます。

年会費は、LDC の5件それぞれに全額を含めています。すべてを買う場合、年会費の支払いは1回です。合計は3,272時間で$55,000、1時間あたり約$16.81になります。すでに営利会員であれば、支払うのはデータの費用だけです。Fisher English は$8,000(1時間あたり$4.08)、Greybeard は$3,750(1時間あたり$6.36)、CALLFRIEND は$5,750(1時間あたり$18.37)、Switchboard-1 は$1,500(1時間あたり$5.77)、HKUST Mandarin Telephone Speech, Part 1 は$2,000(1時間あたり$13.42)です。

otoSpeech 1,125h は、100時間$2,000(1時間あたり$20)のパックから購入できます。English (US) Conversational Speech には数量割引があり、購入には書面の見積もりが必要です。

言語別: 英語7件、中国語3件、ドイツ語2件、スペイン語2件、フランス語2件、ヒンディー語2件、日本語2件、韓国語2件、ほか8言語は各1件。Fisher English(2004年)、Greybeard(2013年)、CALLFRIEND、Switchboard-1(1993年)、HKUST Mandarin Telephone Speech, Part 1(2005年)は、電話の録音です。総額は、各販売元が公表している税抜きの定価から計算したものです。購入の前に、販売元のページで確認してください。

そのほかのデータと条件

残りの12件は、価格を公表していないか、データベースに価格の記載がありません。条件は各行にあります。12件のうち8件は otoearth のデータで、問い合わせのうえで提供され、時間数は公表されていません。提供元へのリンクは、各データセットのページにあります。

データセット時間言語条件
DuplexChat
Nakata, Saito, Saruwatari (U. Tokyo / AIST)
415k hen jaMIT (manifest only); audio rights stay with each podcast's rights holders
Basis Conversations 1500
Basis
1,502 hen es fr +19basis-data-license-1.0 (custom, gated)
SSSD (Scalable Spontaneous Speech Dataset)
Carnegie Mellon University (WAVLab)
727 henSSSD Data Use and License Agreement (Carnegie Mellon, no fee)
CALLHOME (JA / ZH / ES / DE / AR …)
LDC
~229 hja zh es +3LDC (paid, per-release)
otoSpeech Video、otoSpeech Scripted、otoSpeech Role-Play、otoSpeech Korean、otoSpeech Japanese、otoSpeech Face-to-Face、otoSpeech Egocentric、otoSpeech 3-Speaker
otoearth
非公表en ja koOn request

研究用に無料で使えるデータ

非商用の研究であれば、無料で使えるデータセットがほかに8件あります。このうち2件は合成音声です。

データセット時間言語音声ライセンス
MultiTalkPT / MultiTalkFT
CUHK MMLab
57.6k hen zh合成CC-BY-NC-4.0 (PT, FT); CC-BY-SA-4.0 (Bench)
Vartalaap
Kapture CX
5,446 hhi en合成CC-BY-NC-4.0 (gated, no redistribution)
Seamless Interaction
Meta FAIR
4,000+ hen人の声CC-BY-NC-4.0
SmoothConv / DuplexConv
ASLP@NPU / QualiaLabs
2,100 hzh人の声CC-BY-NC-4.0
otoSpeech-full-duplex-turn-104h
otoearth
104.9 hen人の声oto Speech License v1.0
CASPER
Johns Hopkins University (The SSSD Project)
102 hen人の声CC-BY-NC-SA-4.0
Multi-stream Spontaneous Conversation (zh+en)
Magic Data Technology
15 hzh en人の声CC-BY-NC-ND-4.0
Japanese Duplex Conversation Dataset
MagicData
10.35 hja人の声CC-BY-NC-ND-4.0

言語別: 英語6件、中国語3件、ヒンディー語1件、日本語1件。

一覧に含めていないデータ

  • AppTek Call-Center Dialogues(128.6時間)、DAI-ASR-I18N(42.1時間)は、話者ごとに別のチャンネルで録音されていますが、評価用として公開されています。学習用のデータではありません。
  • AMI Meeting Corpus(100時間)、ICSI Meeting Corpus(72時間)は、CC-BY-4.0 で無料で使えます。同じ会議室で、話者ごとにマイクを付けて録音したものです。データベースでは話者別チャンネルのタグを付けていないため、ここでは数えていません。

必要な時間数

決まった数字はありません。公開されているモデルが使った時間数が、目安になります。

  • Moshi は、約700万時間の1チャンネル音声で事前学習したあと、Fisher の約2,000時間で追加学習し、全二重の動作を身につけました。
  • J-Moshi は Moshi を土台に、約69,000時間の日本語の音声対話(J-CHAT)で事前学習したあと、日本語の2チャンネル対話344時間で追加学習しました。
  • LLM-jp-Moshi-v1 は、同じ土台と事前学習のあと、Zoom で録音した会話約1,000時間で追加学習しました。

詳しく(英語): The data ceiling

学習の前に確認すること

  • 話者ごとに別のチャンネルで録音されているかを確かめます。1本に混ざった録音では、発話の重なりや相づちが区別できません。
  • 利用条件が自分の使い方を認めているかを確かめます。データセットのページで Licence と Commercial use の行を確認し、元の利用条件も読みます。
  • 話者が録音に同意しているかを確かめます。各データセットのページの Source の行が Consented であれば、話者の同意を得て録音されています。Real-TurnTurk、Global Conversational Speech は Not stated(記載なし)です。

ガイド: 全二重モデルの学習データ。すべてのデータセットはDatasetsで絞り込めます。

よくある質問

Full-duplex(全二重)の学習データは、どこで無料で手に入りますか?
データベースには、話者別チャンネルで録音され、無料で商用利用もできるデータセットが10件あります。最小はReal-TurnTurk(1.94時間)、最大はOpen Yap 1K(1,000時間)です。Open Yap 1K を使うには、申請とデータ利用契約が必要です。どちらも要らないものでは、otoSpeech-full-duplex-280h(280時間)が最大です。ほかに、非商用の研究に限って無料で使えるものが8件あります。
商用利用できる全二重のデータセットで、最も安いのはどれですか?
ステップ1の無料のデータセット10件は、費用がかかりません。価格を公表している8件の中では、LDC の会員でない場合、otoSpeech 1,125h が1時間あたり$10.00で最も安くなります。1,125時間で$11,250です。次は Fisher English で、LDC の年会費1年分を含めて1時間あたり$21.43です。すでに LDC の営利会員であれば、Fisher English の費用は$8,000で、1時間あたり約$4.08です。
2チャンネルの会話は何時間必要ですか?
決まった数字はありません。Moshi は、約700万時間の1チャンネル音声で事前学習したあと、Fisher の約2,000時間で追加学習しました。J-Moshi と LLM-jp-Moshi-v1 は、どちらも Moshi を土台に、約69,000時間の日本語の音声対話で事前学習しています。そのうえで、J-Moshi は日本語の2チャンネル対話344時間、LLM-jp-Moshi-v1 は約1,000時間を使いました。
日本語の全二重学習データはありますか?
学習に使える話者別チャンネルのデータセットのうち、日本語を含むものは9件です。無料で商用利用できるものはありません。非商用に限り無料のものは、Japanese Duplex Conversation Dataset(10.35時間)です。価格が公表されているものは、Global Conversational Speech(1時間あたり$65.00)、CALLFRIEND(1時間あたり$127.00)です。問い合わせのうえで提供され、時間数が公表されていないものは、otoSpeech Scripted、otoSpeech Role-Play、otoSpeech Japanese です。それぞれの条件があるものは、DuplexChat(ポッドキャスト音声の所在を示すリスト。権利は各番組に残る)、Basis Conversations 1500(Hugging Face で申請が必要。独自のライセンス)、CALLHOME(LDC が言語ごとに販売。日本語版は約49時間)です。
非商用のデータセットで、商用モデルを学習できますか?
できません。CC BY-NC や研究用に限る条件では、商用利用は認められません。製品に使うモデルは、利用条件が認めているデータセットで学習し、始める前に元の利用条件を読んでください。

更新日