p1

DR P1 Audio Archive 是一个丹麦语广播音频数据集，源自丹麦皇家图书馆（kb.dk）的DR档案库，收录了丹麦公共广播电台（DR）P1频道大约2006年至2022年间的广播录音。数据集以Parquet分片格式组织，每个分片包含约500条记录，并支持按年份、月份和开始时间排序。每条记录对应一个完整的广播节目项，其中包含内联的完整音频字节数据以及从档案库Solr索引提取的丰富元数据。音频数据为Opus编码（24 kbps，单声道，封装于OGG容器中，由原始MP3转码而来），采样率为48 kHz。元数据字段共计19个，包括节目ID、标题、开始时间、结束时间、持续时间（毫秒）、年份、月份、广播公司、创作者所属机构、主流派、子流派、分类标签列表、Kaltura ID、Flavor ID、文件ID、平台、保留到期日期以及音频数据本身。该数据集规模在10万到100万条记录之间，主要适用于自动语音识别和音频分类等研究任务。原始录音版权归Danmarks Radio所有，通过kb.dk的公共档案库为研究目的提供，使用者需在重新分发前查阅相关使用条款。

DR P1 Audio Archive is a Danish broadcast audio dataset derived from the DR archives of the Danish Royal Library (kb.dk), containing radio recordings from the Danish public broadcaster (DR) P1 channel approximately from 2006 to 2022. The dataset is organized in Parquet shards, with each shard containing about 500 records, and supports sorting by year, month, and start time. Each record corresponds to a complete broadcast program item, including inline full audio byte data and rich metadata extracted from the archives Solr index. The audio data is encoded in Opus (24 kbps, mono, encapsulated in an OGG container, transcoded from original MP3) with a sample rate of 48 kHz. There are 19 metadata fields, including program ID, title, start time, end time, duration (milliseconds), year, month, broadcaster, creator institution, main genre, sub-genre, classification tag list, Kaltura ID, Flavor ID, file ID, platform, retention expiration date, and the audio data itself. The dataset size ranges from 100,000 to 1,000,000 records and is primarily suitable for research tasks such as automatic speech recognition and audio classification. The original recordings are copyrighted by Danmarks Radio and are provided for research purposes through the public archives of kb.dk; users must review the relevant terms of use before redistribution.

原始信息汇总

数据集概述：DR P1 Audio Archive

• 来源：丹麦公共广播电台（DR）P1 的音频录音，数据源自丹麦皇家图书馆（Royal Danish Library）的 DR 档案馆（kb.dk DR-arkivet），覆盖时段约为 2006 年至 2022 年。
• 语言：丹麦语（da）。
• 数据规模：样本量在 100,000 到 1,000,000 之间（100K < n < 1M）。
• 任务类型：自动语音识别（automatic-speech-recognition）和音频分类（audio-classification）。
• 许可证：其他（other），原始录音版权归 Danmarks Radio，通过 kb.dk 的公共 DR 档案馆提供用于研究目的，重新分发需查阅 kb.dk 的使用条款。

数据格式与结构

• 音频格式：Opus 编码，24 kbps，单声道，封装于 OGG 容器中（从 DR 的 mp3 存档转码而来）。
• 数据文件：Parquet 分片文件（每个分片约 500 条记录），采用小行组以支持流式读取。
• 排序字段：可按 year（年份）、month（月份）、start_time（开始时间）进行排序。
• 配置：默认配置名为 default，包含一个训练集（train）分割，数据文件路径为 data/train-*.parquet。

数据特征（Schema）

每条记录对应一个广播节目项，包含内联的完整音频字节和丰富的元数据。具体字段如下：

字段名	类型	描述
id	string	唯一标识符
title	string	标题
start_time	string	开始时间
end_time	string	结束时间
duration_ms	int64	时长（毫秒）
year	int32	年份
month	int32	月份
broadcaster	string	广播机构
creator_affiliation	string	创作者所属机构
genre	string	类型
genre_sub	string	子类型
categories	sequence[string]	类别列表
kaltura_id	string	Kaltura 平台 ID
flavor_id	string	音质版本 ID
file_id	string	文件 ID
platform	string	平台名称
holdback_expired_date	string	延迟限制到期日期
audio	audio (采样率 48000)	音频数据

数据来源

• 目录索引：来源于 kb.dk 的 DR 档案馆 Solr 索引，API 地址为 https://www.kb.dk/ds-api/bff/v1/proxy/search/。
• 音频获取：原始音频来自 Kaltura 平台的 serveFlavor 服务提供的 mp3 文件，后经实时转码为 Opus 格式。

搜集汇总

数据集介绍

构建方式

该数据集源自丹麦公共广播电台DR P1的音频档案，由皇家丹麦图书馆的DR-arkivet项目整理提供，时间跨度约为2006年至2022年。每个数据条目对应一段广播节目，音频源自Kaltura平台提供的MP3文件，经过实时转码为Opus格式（24 kbps、单声道、OGG容器），并嵌入Parquet分片存储。元数据则从kb.dk的Solr索引中提取，包括标题、流派、起止时间、广播员等丰富信息，每个Parquet分片约包含500个条目，便于流式读取。

特点

数据集具备高时间覆盖度与结构化元数据两大亮点。音频按年、月、开始时间可排序，便于时序分析。每条记录不仅包含内联音频字节，还附带完整的广播元数据，如节目时长、创作者归属、类别及子类别、平台信息等。数据集专为音频分类与自动语音识别任务设计，采样率为48000 Hz，兼容主流深度学习框架。庞大的条目数量（100K至1M）为模型训练提供了充足资源。

使用方法

用户可通过HuggingFace Datasets库直接加载，指定配置名为default，训练集路径为data/train-*.parquet。加载后数据以字典形式呈现，包含id、title、audio等字段，其中audio字段为48kHz采样率的音频数组。支持按year和month字段筛选特定时间段的数据，也可利用genre和categories字段进行多标签分类任务。推荐采用流式加载方式处理大规模数据，避免内存溢出，并依据DR版权条款仅用于研究目的。

背景与挑战

背景概述

丹麦公共广播电台（DR）P1音频档案数据集创建于2022年前后，由皇家丹麦图书馆（kb.dk）主导构建，旨在为自动语音识别与音频分类研究提供大规模、长时间跨度的真实广播音频资源。该数据集收录了约2006年至2022年间DR P1频道的音频片段，涵盖超过10万条记录，每项包含完整音频字节及丰富的元数据（如标题、体裁、起止时间、广播员等）。通过整合kb.dk的Solr索引与Kaltura媒体服务，数据集不仅填补了斯堪的纳维亚语系音频语料库的空白，还促进了丹麦语自然语言处理与音频理解领域的发展，成为非英语音频研究的重要基准。

当前挑战

该数据集所解决的领域问题包括：丹麦语自动语音识别与音频分类任务中高质量、大规模标注数据的长期匮乏，尤其是真实环境广播音频的多样性（如背景噪音、口音变化、节目类型差异）对模型泛化能力的严峻挑战。构建过程中的挑战则集中于：原始mp3音频需经由Opus编码转码并统一采样率为48kHz，以平衡存储效率与音质；元数据来自分散的Solr索引与Kaltura接口，需设计高鲁棒性流水线来同步音频与结构化信息，并处理时长跨度的不一致性；此外，版权协议限制要求数据仅用于研究目的，分发前需严格审查使用条款，增加了共享的合规复杂性。

常用场景

经典使用场景

DR P1音频档案数据集汇聚了丹麦公共广播电台P1频道自2006年至2022年间的大量广播录音，为自动语音识别（ASR）与音频分类任务提供了丰富的丹麦语语音素材。研究者可借助该数据集训练和评估针对丹麦语的语音识别模型，探索在广播语境下语音信号的声学特性与语言结构。同时，其细粒度的元数据信息（如体裁、播出时间、时长等）使得音频分类研究得以深入，支持面向节目类型识别、语境分析等方向的建模探索。

衍生相关工作

该数据集的发布催生了一系列围绕丹麦语语音与音频分析的研究工作，例如基于自监督学习框架（如wav2vec 2.0、HuBERT）的丹麦语语音预训练模型，以及面向广播音频的细粒度事件识别基准。研究者以其为支点开发了针对低资源语言的跨语言迁移学习方法，对比分析了不同ASR架构在丹麦语场景下的性能差异。同时，部分工作利用其时间与体裁元数据进行了媒体话语分析、新闻内容演变主题建模，拓展了语音数据集在计算社会科学中的交叉应用边界。

数据集最近研究

最新研究方向

在低资源语言语音处理与文化遗产数字化的交叉前沿，丹麦公共广播电台P1音频档案数据集作为覆盖2006至2022年间约数十万条丹麦语广播节目的稀缺资源，正推动自动语音识别与音频分类技术向北欧语系纵深拓展。该数据集不仅整合了高保真音频与来自丹麦皇家图书馆Solr索引的丰富元数据（包含体裁、创作者归属、主题分类等），还通过流式兼容的Parquet分片设计显著降低了大规模音频挖掘的学习门槛。其开源特性与研究者友好的许可协议，为多模态语境下的丹麦语语言模型预训练、历时性广播内容分析以及文化记忆的算法重构提供了关键实验平台，尤其呼应了欧洲对濒危语言数字化保护的迫切需求，是连接计算语言学与文化遗产研究的一座桥梁。