Granary 是由英伟达多地研究团队于 2025 年发布的一个大规模多语种语音数据集，相关论文成果为「Granary: Speech Recognition and Translation Dataset in 25 European Languages」，旨在为多语种 ASR/AST 模型提供高质量训练与评测素材。 该数据集包含约 100 万小时的高质量伪标记 ASR 语音数据，覆盖 25 种欧洲语言（含 23 种欧盟语言、以及乌克兰语和俄语）。数据来自公开语音语料并经统一的伪标注与质量过滤流程处理。

语种包括：

保加利亚语、捷克语、丹麦语、德语、希腊语、英语、西班牙语、爱沙尼亚语、芬兰语、法语、克罗地亚语、匈牙利语、意大利语、立陶宛语、拉脱维亚语、马耳他语、荷兰语、波兰语、葡萄牙语、罗马尼亚语、斯洛伐克语、斯洛文尼亚语、瑞典语、乌克兰语和俄语。

Citation

@misc{koluguri2025granaryspeechrecognitiontranslation, title={Granary: Speech Recognition and Translation Dataset in 25 European Languages}, author={Nithin Rao Koluguri and Monica Sekoyan and George Zelenfroynd and Sasha Meister and Shuoyang Ding and Sofia Kostandian and He Huang and Nikolay Karpov and Jagadeesh Balam and Vitaly Lavrukhin and Yifan Peng and Sara Papi and Marco Gaido and Alessio Brutti and Boris Ginsburg}, year={2025}, eprint={2505.13404}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2505.13404}, }