MLCommons（非营利性AI安全工作组）联合Hugging Face发布全球最大公共领域语音数据集之一“无监督人类语音”（Unsupervised People’s Speech），旨在支持AI研究。
数据集概况与研发目标
该数据集包含超100万小时音频，覆盖至少89种语言。MLCommons表示，创建初衷是支持语音技术各领域的研发，推动非英语自然语言处理研究，将通信技术惠及全球更多人群。未来研究重点包括改善低资源语言语音模型、增强口音及方言识别能力，以及拓展语音合成新应用。
潜在风险：数据偏见问题
尽管目标值得称赞，但该数据集可能给使用者带来风险。录音源自Archive.org，因贡献者多为美国英语使用者，导致数据集中绝大多数录音为美式英语。若未经严格筛选，基于此训练的AI系统（如语音识别、合成模型）可能产生偏见，例如难以准确转录非母语者英语或生成非英语语音。
版权与伦理争议
数据集可能存在未获知情同意的录音被用于AI训练（含商业用途）的情况。虽MLCommons声明所有录音均为公共领域或知识共享许可，但MIT分析显示数百个公开AI数据集存在许可信息缺失或错误。创作者倡导者指出，“退出机制”负担过重且覆盖不足，许多创作者甚至不知自己可退出，强制其承担退出责任极不公平。
开发者建议
MLCommons承诺持续更新维护数据集质量。但鉴于上述潜在缺陷，开发者在使用时务必保持谨慎。