# Przygotowanie danych mowy z nagrań „z życia” EN: **In-the-wild speech data curation** · id `speechdatacuration` · aliases: speech data pipeline, speech dataset curation, in-the-wild speech curation, kuracja danych mowy Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Dane dla AI](https://aiatlasgraph.com/t/data.md) › [Kuracja danych multimodalnych](https://aiatlasgraph.com/t/multimodaldata.md) › Przygotowanie danych mowy z nagrań „z życia” ## Description - PL: Pipeline normalizacji, separacji źródeł, diaryzacji, segmentacji VAD, automatycznej transkrypcji i filtrowania jakości dla dużych zbiorów mowy. - EN: A pipeline of normalisation, source separation, diarization, VAD segmentation, automatic transcription and quality filtering for large speech corpora. ## In one sentence - PL: Zamiana podcastów, wywiadów i filmów w czyste, podpisane fragmenty mowy, na których można uczyć syntezę i rozpoznawanie mowy. - EN: Turning podcasts, interviews and videos into clean, transcribed speech snippets for training speech synthesis and recognition. ## Problem it solves - PL: Studyjnych nagrań lektorskich jest mało i brzmią sztucznie, a prawdziwe nagrania mają muzykę, kilku mówców i brak transkrypcji. - EN: Studio narration is scarce and sounds stiff, while real recordings have music, several speakers and no transcripts. ## What it does - PL: Jak realizator w postprodukcji: wycina podkład, rozdziela głosy, tnie na zdania, spisuje tekst i odrzuca brudne ujęcia. - EN: Like a post-production engineer: removing the music bed, separating voices, cutting into sentences, transcribing and rejecting dirty takes. ## Everyday example - PL: Syntezator czyta audiobook z naturalnym śmiechem i wahaniem, bo uczył się na rozmowach, a nie tylko na czytanym tekście. - EN: A synthetic voice reads an audiobook with natural laughs and hesitation, because it learned from conversations, not just read text. ## This concerns you if you… - PL: masz archiwum audycji lub nagrań rozmów - PL: chcesz zbudować głos syntetyczny w rzadszym języku - PL: oceniasz, skąd biorą się dane do modeli mowy - EN: have an archive of broadcasts or recorded conversations - EN: want to build a synthetic voice in a less common language - EN: assess where speech model data comes from ## Keywords Emilia-Pipe · WhisperX · pyannote · Silero VAD · UVR / MDX-Net · DNSMOS · pseudo-labelling · LibriLight · GigaSpeech ## How it works - PL: Audio sprowadza się do wspólnego formatu i głośności, model separacji usuwa muzykę i tło, diaryzacja dzieli nagranie na wypowiedzi jednego mówcy, a VAD tnie je na odcinki kilku–kilkudziesięciu sekund. ASR dopisuje transkrypcję (pseudo-etykiety), a filtry odrzucają złą detekcję języka, niską ocenę jakości (np. DNSMOS) i nietypowe tempo mowy. - EN: Audio is standardised to a common format and loudness, a separation model removes music and background, diarization splits recordings into single-speaker turns and VAD cuts them into segments of a few to tens of seconds. ASR adds transcripts (pseudo-labels), and filters drop wrong language ID, low quality scores (e.g. DNSMOS) and outlier speaking rates. ## Limits - PL: Błędy ASR i separacji przechodzą do danych, a filtry odrzucają często ponad połowę nagrań. Nagrania „z życia” niosą ryzyko praw autorskich i zgody mówców; łatwo też przypadkiem sklonować głos konkretnej osoby. - EN: ASR and separation errors leak into the data, and filters often discard more than half the audio. In-the-wild recordings carry copyright and speaker-consent risks, and can inadvertently enable cloning a specific person's voice. ## Key terms - PL: **diaryzacja**: Ustalenie, kto mówi kiedy, w nagraniu kilku osób. - PL: **separacja źródeł**: Rozdzielenie głosu od muzyki i hałasu w jednym nagraniu. - PL: **DNSMOS**: Automatyczna ocena jakości mowy, przybliżająca oceny słuchaczy. - EN: **diarization**: Working out who speaks when in a multi-speaker recording. - EN: **source separation**: Splitting a voice from music and noise in one recording. - EN: **DNSMOS**: Automatic speech quality score approximating listener ratings. ## Know first - [Rozpoznawanie mowy / ASR (Automatic speech recognition)](https://aiatlasgraph.com/t/asr.md) - [Diaryzacja: kto kiedy mówi (Speaker diarization)](https://aiatlasgraph.com/t/speakerdiarization.md) - [Detekcja aktywności głosowej (VAD) (Voice activity detection)](https://aiatlasgraph.com/t/vad.md) ## Related topics Untyped, symmetric "see also" links. - [Dopasowanie tekstu do czasu nagrania (Forced alignment of speech and text)](https://aiatlasgraph.com/t/forcedalignment.md) ## Sources - [Emilia: An Extensive, Multilingual, and Diverse Speech Dataset for Large-Scale Speech Generation]() `he-2024-emilia` · by Haorui He, Zengqiang Shang, Chaoren Wang, Xuyuan Li, Yicheng Gu, Hua Hua, Liwei Liu, Chen Yang, Jiaqi Li, Peiyang Shi, Yuancheng Wang, Kai Chen, Pengyuan Zhang, Zhizheng Wu --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/speechdatacuration · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30