Joy双声道对话数据集发布：10万小时
先了解这件事
2026年10月30日，X用户Rohan Paul（@rohanpaul_ai）发布消息称，Joy双声道对话数据集已发布，包含10万小时真实、未经脚本编排的双人对话，覆盖5万名说话人和10种语言，对话双方各占一条音轨。该消息指出，当前语音AI主要用LLM写对话再由TTS朗读，模型听不到人们互相插话的场景，而这类无脚本通话在规模上很难采集；发布者同时对对话如何维持10到20分钟表示好奇。同日稍晚，X用户Elvis Saravia（DAIR.AI，@omarsar0）转发并介绍该数据集，称其由voicearena_发布，为双通道、两人各自独立音轨的真实无脚本对话，共10万小时、5万名说话人、10种语言，目标是教语音模型学会何时倾听、何时插话；他称这是其见过的第一个真正围绕对话时序构建的数据集，并提到团队称后续还会有10倍、100倍规模的扩展。两则报道在小时数、说话人数和语言数上一致，但发布方表述不同：早先报道未说明具体发布方，后续报道称由voicearena_发布。数据集的具体获取方式与使用条件尚未在报道中说明。
AI 根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Elvis Saraviavoicearena_发布10万小时双轨对话语音数据集Joy
voicearena_ 发布双通道对话数据集 Joy，包含两人各自独立音轨的真实无脚本对话，共 100,000 小时、50,000 名说话人、10 种语言，目标是教语音模型学会何时倾听、何时插话。Elvis Saravia 转发时表示，这是他见过的第一个真正围绕对话时序构建的数据集，并提到团队称后续还会有 10 倍、100 倍规模的扩展。
- Rohan PaulJoy 双通道对话数据集发布，含 10 万小时真实双人对话
Joy 双通道对话数据集发布，包含 10 万小时真实、未经脚本编排的双人对话，覆盖 5 万名说话人和 10 种语言，两人各占一条音轨。Rohan Paul 指出，当前语音 AI 主要用 LLM 写对话再由 TTS 朗读，模型听不到人们互相插话的场景，这类无脚本通话在规模上很难采集，他也好奇对话如何维持 10 到 20 分钟。
本事件热度走势
- 可比范围当前
- 19
- 可比范围峰值
- 2010月30日 03:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。