---
title: ja-singing-voice-base
canonical_url: "https://www.modelscope.cn/datasets/syxppp/ja-singing-voice-base"
md_url: "https://www.modelscope.cn/datasets/syxppp/ja-singing-voice-base.md"
repository: syxppp/ja-singing-voice-base
chinese_name: "日语歌声基础数据集"
last_updated: 2026-10-27
license: cc-by-nc-4.0
storage_size: "83 GB"
downloads: 2944
stars: 1
---

# ja-singing-voice-base

> ja-singing-voice-base - syxppp 在 ModelScope 开源的数据集。日语歌声数据集（全量镜像 + 基础子集）

syxppp/ja-singing-voice-base 是 ModelScope 魔搭社区上的数据集，存储大小 83 GB，采用 cc-by-nc-4.0 许可。

- **Repository**: syxppp/ja-singing-voice-base
- **License**: cc-by-nc-4.0
- **Storage size**: 83 GB
- **Downloads**: 2944
- **Stars**: 1
- **Last updated**: 2026-10-27

Source: https://www.modelscope.cn/datasets/syxppp/ja-singing-voice-base

---

# 日语歌声数据集（全量镜像 + 基础子集）

Hugging Face [`tts-dataset/japanese-singing-voice`](https://huggingface.co/datasets/tts-dataset/japanese-singing-voice) 的完整镜像。

> **2026-10 已补齐全部 78 个 WebDataset 分片（`train-0000` ~ `train-0077`），本仓库现在是全量数据集，不再是 12/78 的子集。**
> 所有分片均已按原仓库的 LFS SHA-256 逐一校验，大小与哈希完全一致。

## 规模（全量）

| 项目 | 数值 |
|---|---|
| 曲目数 | **15,311** |
| 演唱频道（channel）数 | 3,082 |
| 总时长 | **991.94 小时** |
| WebDataset 分片 | **78** 个（`train-0000.tar` ~ `train-0077.tar`） |
| `data/` 总大小 | **72.11 GiB**（77,431,224,320 字节） |
| TAR 内条目 | 30,622（15,311 个 `.mp3` + 15,311 个 `.json`） |
| 音频格式 | MP3，44.1 kHz，双声道，VBR（抽样 166–182 kbps） |
| 单曲时长 | 120 s – 594 s，中位数 228 s，P95 305 s |
| 语言 | 日语（`ja`） |
| 许可 | CC BY-NC 4.0（仅限非商业用途） |

每个分片约 200 首；最后一个分片 `train-0077.tar` 为 36 首、177.7 MiB（186.4 MB）。

## 仓库结构

```
.
├── data/                        # 全量 WebDataset（78 个 tar，15,311 首，991.94 h）
│   ├── train-0000.tar
│   ├── ...
│   └── train-0077.tar
├── audio/                       # 解包子集：2,386 个 mp3，文件名 = YouTube video id
│   └── {video_id}.mp3
├── meta/                        # 解包子集元数据：train-0000.json ~ train-0011.json
├── meta_all.json                # 解包子集合并元数据（{video_id: {...}}，2,386 条）
└── dataset_infos.json
```

每个 TAR 内为一对文件：

- `{video_id}.mp3` — 音频
- `{video_id}.json` — 元数据

## 解包子集（`audio/` + `meta/`）

为方便直接按文件读取，仓库额外保留了此前解包的前 12 个分片（`train-0000` ~ `train-0011`）：

| 项目 | 数值 |
|---|---|
| 曲目数 | 2,386 |
| 演唱频道数 | 1,069 |
| 总时长 | 154.12 小时 |
| 音频大小 | 11.2 GiB（12.0 GB） |
| 单曲时长 | 121 s – 566 s，中位数 228 s |
| 质量分分布 | 70: 7 / 75: 287 / 80: 748 / 85: 550 / 90: 452 / 95: 328 / 100: 14 |

## 元数据字段

| 字段 | 类型 | 说明 |
|---|---|---|
| `id` | str | YouTube video id（= 音频文件名） |
| `url` | str | 源视频链接 |
| `title` | str | 视频标题（通常含曲名/歌手） |
| `channel_id` / `channel_title` | str | 上传频道 id / 名称 |
| `source_playlist` | str | 来源播放列表 |
| `duration_sec` | int | 时长（秒） |
| `published` | str | 发布日期（ISO 8601） |
| `view_count` / `like_count` | int | 播放数 / 点赞数 |
| `category_id` | str | YouTube 分类（10 = Music） |
| `topic_categories` | list | Wikipedia 主题标签 |
| `language` | str | 语言，全部为 `ja` |
| `dataset_category` | str | 内容类型：official / cover / diverse |
| `dataset_genre` | str | 曲风：pop / other / electronic / rock / hiphop_rnb |
| `dataset_score` | int | 数据集自带质量分（70–100） |

## 分布（全量 15,311 首）

| 维度 | 分布 |
|---|---|
| 内容类型 | official 5,943（38.8%）/ cover 4,710（30.8%）/ diverse 4,658（30.4%） |
| 曲风 | pop 8,578（56.0%）/ other 5,367（35.1%）/ electronic 1,032（6.7%）/ rock 170（1.1%）/ hiphop_rnb 164（1.1%） |
| 质量分 | 70: 84 / 75: 1,785 / 80: 4,776 / 85: 3,478 / 90: 2,962 / 95: 2,156 / 100: 70 |
| 时长 | 120–594 s，中位数 228 s，P95 305 s |
| 发布年份 | 2008–2025 |

## 使用方法

### 全量 WebDataset（本地）

```python
import webdataset as wds

dataset = wds.WebDataset("data/train-{0000..0077}.tar").decode()
for sample in dataset:
    audio, meta = sample["mp3"], sample["json"]
```

### 全量 WebDataset（从 ModelScope 流式读取）

```python
import webdataset as wds

base = "https://www.modelscope.cn/datasets/syxppp/ja-singing-voice-base/resolve/master/data"
urls = [f"{base}/train-{i:04d}.tar" for i in range(78)]
dataset = wds.WebDataset(urls).decode()
```

### 解包子集

```python
import json
import librosa

meta = json.load(open("meta_all.json"))          # {video_id: {...}}
high = [v for v, m in meta.items() if m["dataset_score"] >= 90]   # 794 首高质量子集

y, sr = librosa.load(f"audio/{high[0]}.mp3", sr=24000, mono=True)
```

## 与标注数据集的配套关系

配套音素级标注数据集：[**日语歌声音素级标注数据集**](https://modelscope.cn/datasets/syxppp/ja-singing-phoneme-annotated)

其中的 46 条标注片段（29 首歌 / 29 位歌手 / 15.7 分钟）均可在解包子集中按 `video_id` 回溯原始音源（`audio/{video_id}.mp3`）。解包子集中 `dataset_score ≥ 90` 的曲目共 794 首，全量数据集中同一分数段共 5,188 首。

## 许可与来源

- **许可**：CC BY-NC 4.0（**仅限非商业研究用途**）。
- **来源**：Hugging Face `tts-dataset/japanese-singing-voice`（原仓库为 gated，需申请许可；本仓库为获许可后的镜像分发），音频来自 YouTube。
- **版权声明**：音频版权归原视频作者/权利人所有。本仓库仅作研究用途的镜像分发，**不主张任何音源版权**；如权利人要求，可随时下架。
- **仅供研究**；商用需自行取得授权。