distil-whisper/earnings21

---
dataset_info:
config_name: full
features:
- name: audio
dtype: audio
- name: file_id
dtype: string
- name: audio_length
dtype: string
- name: sample_rate
dtype: string
- name: company_name
dtype: string
- name: financial_quarter
dtype: string
- name: sector
dtype: string
- name: speaker_switches
dtype: string
- name: unique_speakers
dtype: string
- name: curator_id
dtype: string
- name: transcription
dtype: string
splits:
- name: test
num_bytes: 778199575.0
num_examples: 44
download_size: 772949298
dataset_size: 778199575.0
configs:
- config_name: full
data_files:
- split: test
path: full/test-*
---
# Dataset Card for "earnings21"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
数据集信息:
配置名称: full
特征:
- 名称: 音频(audio)
数据类型: 音频
- 名称: 文件标识符(file_id)
数据类型: 字符串
- 名称: 音频时长(audio_length)
数据类型: 字符串
- 名称: 采样率(sample_rate)
数据类型: 字符串
- 名称: 公司名称(company_name)
数据类型: 字符串
- 名称: 财季(financial_quarter)
数据类型: 字符串
- 名称: 行业板块(sector)
数据类型: 字符串
- 名称: 说话人切换次数(speaker_switches)
数据类型: 字符串
- 名称: 唯一说话人数量(unique_speakers)
数据类型: 字符串
- 名称: 标注者ID(curator_id)
数据类型: 字符串
- 名称: 转录文本(transcription)
数据类型: 字符串
数据集划分:
- 名称: 测试集(test)
字节数: 778199575.0
样本数量: 44
下载大小: 772949298
数据集总大小: 778199575.0
配置项:
- 配置名称: full
数据文件:
- 划分集: 测试集
路径: full/test-*
---
# 「earnings21」数据集卡片(Dataset Card)

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集信息

• 配置名称: full
• 特征:
  • audio: 音频数据
  • file_id: 文件ID
  • audio_length: 音频长度
  • sample_rate: 采样率
  • company_name: 公司名称
  • financial_quarter: 财务季度
  • sector: 行业
  • speaker_switches: 说话者切换
  • unique_speakers: 唯一说话者
  • curator_id: 策展人ID
  • transcription: 转录文本

数据分割

• 分割名称: test
  • 字节数: 778199575.0
  • 样本数: 44

数据集大小

• 下载大小: 772949298
• 数据集大小: 778199575.0

配置详情

• 配置名称: full
  • 数据文件:
    • 分割: test
    • 路径: full/test-*

搜集汇总

数据集介绍

构建方式

Earnings21数据集由distil-whisper团队构建，专注于金融领域的语音识别任务。其数据来源涵盖上市公司财报电话会议录音，通过系统化的采集与标注流程形成。每个样本包含音频文件及其对应的元数据，如公司名称、财务季度、行业板块、说话人切换次数及唯一说话人数等，同时提供由专业人员转录的文本作为标签。数据集以HuggingFace标准格式组织，采用单一配置（full），并划分为测试集，共44个样本，音频时长与采样率信息均被记录，便于后续处理。

特点

该数据集的核心特点在于其高度专业化的领域聚焦与丰富的元数据设计。音频数据直接来源于真实的企业财报会议，涵盖多元行业与季度周期，确保了语音内容在金融术语、说话人风格及声学环境上的多样性。元数据字段如说话人切换与唯一说话人数量，为研究多人对话场景下的语音识别提供了关键参考。此外，数据集规模虽小但精炼，测试集仅含44例，适合作为基准评估工具，尤其适用于验证模型在金融领域噪声与专业词汇上的鲁棒性。

使用方法

使用Earnings21数据集时，可通过HuggingFace的datasets库直接加载，指定配置名'full'即可获取测试集。每个样本包含audio字段（音频数组及采样率）与transcription字段（文本标签），支持直接用于语音识别模型的推理与评估。研究者可利用company_name等元数据按行业或公司进行分组分析，或结合speaker_switches字段研究多说话人场景下的识别性能。数据集以parquet格式存储，兼容主流深度学习框架，便于集成至训练或测试管线中。

背景与挑战

背景概述

在自动语音识别（ASR）领域，针对特定领域的高质量数据集是推动模型性能提升的关键。Earnings21数据集由Distil-Whisper团队于2023年创建，专注于金融领域的财报电话会议录音及其转录文本。该数据集包含44个测试样本，涵盖音频文件、公司名称、财务季度、行业类别及说话人切换信息等丰富元数据，旨在评估ASR模型在专业财经场景下的语音识别能力。其核心研究问题在于验证轻量化模型（如Distil-Whisper）在金融语境中的鲁棒性与准确性，为行业应用提供基准。Earnings21不仅填补了金融语音数据集稀缺的空白，还通过精细化的标注设计（如说话人识别与转录对齐），推动了ASR技术在复杂多说话人环境中的发展，对金融信息提取、智能投顾等下游任务具有重要影响力。

当前挑战

Earnings21数据集面临的挑战主要体现在两个层面。在领域问题层面，金融财报会议涉及大量专业术语（如“EBITDA”、“GAAP”）、数字序列（如季度收益数据）及多说话人交替发言，传统ASR模型在此类噪声环境下的词错误率（WER）显著高于通用场景，亟需解决领域自适应与噪声鲁棒性难题。在数据集构建过程中，挑战尤为突出：原始音频来源多样，包含不同录音设备与网络传输质量导致的背景噪声与失真；转录文本需人工校验以消除金融术语的歧义性，而44个样本的小规模测试集难以全面覆盖行业多样性，可能引入评估偏差。此外，说话人切换标注的精确性直接影响多角色分离效果，但现有元数据尚未充分解决重叠语音与快速轮换场景的识别瓶颈。

常用场景

经典使用场景

在金融与自然语言处理的交叉领域，Earnings21数据集以其聚焦于上市公司财报电话会议录音的特性，成为语音识别与金融信息提取研究的典范资源。该数据集包含44段测试样本，每段音频均配备高精度转录文本及公司名称、财务季度、行业板块等元数据，为研究者提供了从嘈杂的多人对话中精准解析专业金融术语的独特挑战。其经典使用场景在于评估和优化针对金融领域语音的自动语音识别（ASR）系统，尤其是在多说话人切换、专业术语密度高、音频长度不一的复杂环境下，模型需同时应对声学与语言层面的双重复杂性。

解决学术问题

Earnings21数据集针对金融语音识别中两大核心学术问题提供了解决方案：一是多说话人场景下的声学建模难题，通过speaker_switches和unique_speakers字段，研究者可系统分析说话人切换对识别准确率的影响，并开发鲁棒的说话人自适应算法。二是金融领域专业术语与口语化表达的映射关系，转录文本与音频的对齐数据使得研究者能够构建领域特定的语言模型，有效缓解通用ASR系统在财报会议中常见的术语识别错误。该数据集的发布推动了金融语音处理从通用模型向领域专用模型的范式转变，为后续的金融信息抽取、情感分析等下游任务奠定了数据基础。

衍生相关工作

Earnings21数据集的发布催生了一系列具有影响力的衍生研究工作。在模型层面，研究者基于其多说话人特性提出了面向金融场景的端到端语音识别架构，通过引入说话人嵌入与注意力机制，显著提升了复杂对话中的转录质量。在任务拓展方面，该数据集被用于构建金融语音情感分析基准，探索管理层语气与股价波动之间的关联。此外，部分工作利用其公司与行业标签，开发了跨领域迁移学习框架，将财报会议中的知识迁移至其他金融文本分析任务。这些衍生的经典工作不仅验证了数据集在金融语音领域的核心价值，更推动了语音技术与金融分析的深度融合。