bandad/asr-testset-kw-ja-v1

日本語 ASR アノテーション v1

重要：評価結果を報告する際の規約

本テストセットで評価結果を報告する際は、事前学習を含む学習にYouTubeの音声を使用したかどうかと、次の評価区分を必ず明記してください。

• 使用した場合：in-domain評価
• 使用していない場合：out-of-domain評価

この区分は、音声認識の評価結果を比較する上で重要です。最終的な追加学習だけでなく、使用するモデルの事前学習も含めて判断してください。

元データセットの音声に、人手で区間ごとの転記・タグ・採否を付けたデータです。音声の内容、ディレクトリ構成、ファイル名は元のままです。

ファイルと表示

• **annotations.jsonl**：提出済みの全結果。1行が1音声です。
• **metadata.jsonl**：HF表示用に自動生成したデータ。音声全体が不使用の行を除き、audio を file_name に置き換えています。
• **data/**：採用した音声ファイル。

HFのビューアーは default / test で音声と segments を表示します。プレーヤーは音声全体を再生します。提出結果は更新がある場合に約1時間ごとに同期し、下書きや作業者情報は公開しません。

JSONLの形式

各行は次の形式です（読みやすさのため改行しています）。

{
  "id": "example",
  "source": {
    "dataset": "bandad/asr-testset-kw-ja",
    "revision": "元データのコミットSHA",
    "audio": "data/part-00000/example.wav"
  },
  "audio": "data/part-00000/example.wav",
  "excluded": false,
  "exclusion_reason": "",
  "segments": [
    {
      "start": 0.0,
      "end": 3.2,
      "text": "(F えー)(V iPhone|アイフォーン)です(A はい|)",
      "no_speech": false,
      "confirmed": true,
      "excluded": false
    }
  ]
}

• id はアノテーションの識別子、source は元音声のリポジトリ・コミット・パスです。
• audio はこのリポジトリ内の音声パスです。音声全体が不使用の場合は null です。
• start / end は元音声の先頭からの秒数です。text に転記とすべての候補・タグを含めます。
• no_speech: true は文字も音のマークもない区間を表し、text は空文字です。
• confirmed: true は採否を含めた確認が完了したことを表します。採用を意味するものではありません。
• 音声全体の excluded: true は不使用、exclusion_reason はその理由です。segments 内の excluded: true は、その区間だけが聞き取りが不確かなため不採用であることを表します。区間の転記は保持します。

評価には、音声全体と区間の両方が excluded: false で、区間が confirmed: true のものを使ってください。 旧データで区間の excluded が省略されている場合は false と扱います。

転記の規則

以下はこのデータセットの独自記法です。

記法	意味
(D そっ)	言いよどみ・言いかけ
(F えー)	フィラー
(V iPhone|アイフォーン)	同じ発話の表記候補（Variant）
(A です|ですよ)	聞き取りが不確かな候補（Ambiguous）
(A です|)	「です」がある場合・ない場合の候補
(VF まあ|まぁ)	候補全体がフィラー（V + F）
(VD そっ|そ)	候補全体が言いよどみ（V + D）
(L)	笑い声（Laugh）
(B)	息・呼吸音（Breath）
(C)	咳・咳払い（Cough）

候補は半角の | で区切り、タグは入れ子にしません。空候補はAのみで使用でき、(A です|) のように | の後を空にします。空候補だけの指定や候補の重複はできません。

相づちの「はい」「うん」「なるほど」などは、含めても含めなくてもよいものとします。 (A はい|)、(A うん|)、(A なるほど|) と記し、評価では発話あり・なしの両方を許容します。このAの用法は、聞き取りの不確かさとは別です。

VF・VDではすべての候補にF・Dが適用されます。例えば (VD そっ|そ) は (D そっ) または (D そ) です。VFとVDは同時に指定できません。フィラー・言いよどみを除外する評価では、それぞれVF・VD全体を除きます。候補がある箇所は先頭だけに固定せず、候補を考慮して評価してください。

L・B・Cは本文中の挿入位置を示し、個別の時刻・長さは持ちません。音のマークだけの区間も no_speech: false です。

数字は桁区切りカンマを使わず、千の位までは数字、万以上は単位を使います（1500円、1万5000円、1億2000万円）。列挙は読点で区切ります（１、２、）。

音声の利用条件は元データセットの説明を確認してください。

Citation

本データセットを研究やプロジェクトで使用する場合は、以下を引用してください。再現性のため、使用したデータセットのコミットSHAも評価結果に併記してください。

@misc{washizaki2026asrtestsetkwjav1,
  author = {Kai Washizaki},
  title = {{asr-testset-kw-ja-v1}: Japanese ASR Human Annotations},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/bandad/asr-testset-kw-ja-v1}}
}