Open Yap 1K

Open Yap 1K 是 The Agentic Data Company 发布的语音数据集，2026 年 10 月下旬登上 Hugging Face 数据集热榜。它包含 1000 小时双声道（双音轨）英语对话，48kHz 录制，专门用于训练全双工语音模型，也就是能像打电话的人一样边听边说的模型。

Hugging Face 上提供免费的 8.92 小时样本（16 段对话，CC-BY-4.0），完整语料可按 Open Yap 1K 数据使用协议申请，免费商用。

要点

• 熟人自然对话：不像 Fisher、Switchboard 那样让陌生人按指定话题聊，团队做了一个类似 WhatsApp 的通话 App，让人们用它和亲友正常打电话。所以对话里有更多打断、重叠、笑声、附和和更短的轮次间隔。
• 宽带音质：48kHz 录制，而 Fisher 等老语料只有约 8kHz 电话音质。
• 分轨录音：每个说话人单独一个声道，正是全双工和话轮转换模型需要的。
• 真实环境：用自己的设备在真实房间里录，再用多个 ML 模型组成的筛查流程去掉无法使用的录音。
• 元数据：每段对话带话题、双方关系、时长、每分钟轮次、轮次间隔、说话占比等字段。

为什么重要

只用礼貌、一人一句的语料训练出来的全双工语音智能体，遇到真实用户插话就会出错。Open Yap 1K 就是冲着这个问题，定位为 Fisher、Switchboard、CANDOR 的替代品。

怎么用

1. 在 Hugging Face 数据集页面直接试听样本。
2. 用 Python 加载样本：

from datasets import load_dataset
ds = load_dataset("TheAgenticDataCompany/open-yap-1k", "audio_previews", split="Sample")
print(ds[0]["topics"], ds[0]["turns_per_minute"])

3. 需要完整 1000 小时的话，到 The Agentic Data Company 页面申请并同意数据使用协议。

适合场景

• 训练或微调全双工语音到语音模型、语音智能体。
• 研究话轮转换、插话和附和预测。
• 在自然、有重叠的对话上评测 ASR 或 TTS。

注意

样本是 CC-BY-4.0，完整语料另有协议，二次分发前先看清条款。