Краудсорсинговый речевой корпус Mozilla — 31 тысяча часов, более 120 языков, лицензия CC0.
Common Voice 17.0 — краудсорсинговый речевой корпус Mozilla, крупнейший в мире голосовой набор под открытой лицензией. Добровольцы читают предложения вслух, другие участники проверяют записи, и всё это выпускается под CC0: без указания авторства и без ограничений на использование.
Более 31 000 часов записей в MP3 (около 20 000 часов проверенных) на 120+ языках, у каждой — расшифровка на уровне предложения и метаданные говорящего: возрастная группа, пол, акцент. Для каждого языка идут отрецензированные разбиения train/dev/test. Покрытие простирается от английского с миллионами записей до десятков малоресурсных языков; на один только русский приходится более 150 часов проверенной речи.
Основной корпус для обучения и сравнения ASR-нейронетов вроде Whisper или wav2vec2. Лицензия CC0 означает, что дообученные на нём модели можно разворачивать коммерчески без юридических трений, а фиксированные тестовые разбиения по языкам дают майнерам и валидаторам воспроизводимую меру точности, в том числе для русского. Примечание: репозиторий на HF закрыт (нужно принять условия о приватности говорящих), но сама лицензия ограничений не несёт.