Simple Voice Questions(简称 SVQ) 是由 Google 发布的一个简短音频数据集，是 Massive Sound Embedding Benchmark (MSEB) 的核心评估组件。 该数据集为多语言语音数据集，包含 26 个地区的 17 种语言下的简短音频问题，共计约 700 名说话者，每人最多提供 250 条语音样本，涵盖阿拉伯语、英语、日语、韩语、印地语等多种语言，并包含安静环境、背景人声及交通噪声等多样化录音条件。数据对说话者性别进行标注，包含女性、男性、非二元及未作答四类，在语言与声学场景上具备较高多样性。

数据字段:

• utt_id: 字符串类型，表示录音的唯一标识。
• waveform: 音频类型，采样率为 16,000 。
• locale: 字符串类型，表示录音地区。
• speaker_id: 字符串类型，表示说话者的唯一标识。
• speaker_age: 32 位整数，表示说话者年龄。
• speaker_gender: 字符串类型，表示说话者性别。
• environment: 字符串类型，表示录音环境。
• text: 字符串类型，表示录音文本内容。
• topk_salient_terms: 字符串列表，表示关键词。
• topk_salient_terms_timestamps: 浮点数列表，表示关键词的时间戳。