【リリース】商用利用可能な日本語話者分離音声データセット｜高精度・大規模・サンプル入手可能

AI開発において最も課題となる学習用データ不足を解決すべく、Nexdataは2026年3月31日より、商用利用可能な大規模日本語話者分離音声データセットの提供を開始いたしました。

日本語AIモデル開発において、最も課題となるのが「質の高い学習データの確保」です。特に、音声認識（ASR）や自然言語処理（NLP）の精度を高めるには、単なる読み上げデータではなく、実環境に近い対話データや、固有表現を適切にタグ付けされたデータが不可欠です。

これらの課題を解決すべく、Nexdataは2026年3月31日より、商用利用可能な大規模日本語話者分離音声データセットの提供を開始いたしました。いずれも高精度なアノテーションを施しており、サンプルデータの入手も可能ですAI開発課題に合わせて、最適なデータセットを選定するためのご参考になればと思います。

実環境の対話を再現：205時間日本語話者分離自然会話データセット

活用シーン： 話者分離モデル、音声アシスタント、カスタマーセンター分析、自然な対話モデル

特徴とメリット

実機収録による汎用性：スマートフォンで収録されており、ノイズキャンセルや圧縮など、実ユーザー環境に近い音響特性を持っています。

話者分離・双方向対応：2名の話者を別トラックで収録しているため、会話中の割り込みや発話の重なりもすべて記録され、対話システム開発に必要な情報を確実に収録しています。

多様な話者属性： 合計234名（男性102名・女性132名）が参加。年齢層も18歳から60歳まで幅広くカバーしており、バイアスの少ないデータ構築が可能です。

高精度アノテーション： 文字認識精度98%以上。タイムスタンプ、話者 ID、性別情報が付与されており、発話区間の特定が容易です。

固有表現認識に特化：100時間日本語エンティティ読み上げデータセット

活用シーン： 音声入力フォーム、NER（固有表現認識）、個人情報抽出

音声認識において特に精度が求められやすい「固有表現（名前、住所、金額など）」に特化したデータセットです。スクリプトに基づいた読み上げデータですが、実用的なエンティティタグが付与されているため、情報抽出モデルの訓練に活用できます。

特徴とメリット

豊富なエンティティタグ： 人物名、電話番号、住所、メールアドレス、商品モデル番号、金額など、ビジネスシーンで重要な要素がそれぞれタグ付け（例：[PHO], [LOC], [MONEY]）されています。

実環境ノイズの包含： 完全な無音環境だけでなく、「認識に影響しない程度のノイズ」を含む環境も混在しており、モデルのロバスト性向上に寄与します。

スマートフォン収録： 実際のモバイル端末での利用を想定した音質設定（16kHz）であり、モバイルアプリ開発との親和性が高いです。

構造化された転写： 単なる文字起こしだけでなく、どこがどのエンティティかが明確になっているため、後処理のコストを大幅に削減できます。

高音質・大規模：48kHz500時間日本語話者分離会話音声データセット

活用シーン： 高精度音声認識基盤モデル、研究開発、プロフェッショナル向けサービス

「量」と「質」を両立したい開発者向けの大規模データセットです。48kHz/32bitという高音質仕様で収録されており、細かな音響特徴まで捉える必要がある高度なAIモデルの訓練に適しています。

特徴とメリット

プロフェッショナル音質： 48kHzサンプリング、32bit深度という高音質フォーマットを採用。高精度な話者認識など繊細な音響処理を必要とするプロジェクトに最適です。

大規模コーパス： 有効時間500時間という大容量のため、深層学習モデルの事前学習（Pre-training）や、汎用性能の向上に大きく貢献します。

詳細なアノテーション仕様： 不適切な発話やノイズ、プライバシー情報（電話番号など）には [IVS], [PIL] などのタグが付与されており、データクレンジングが容易です。

多言語音声データセット

Nexdataはグローバルな研究トレンドを常に把握し、お客様の研究開発を加速させる学習用データセットを迅速に開発・提供いたします。特に音声データセットにおいては、単一話者・複数話者、教師なし学習用コーパス、自然会話、固有名詞（エンティティ）、ドメイン特化型など多様なラインナップを揃え、60以上の言語、総計100万時間超のデータをカバーしています。新規収集・アノテーションに加え、既存データセットのカスタマイズ対応も可能です。

日本語以外にも、英語、韓国語、タイ語などアジア言語、ヨーロッパ言語の多言語話者分離音声データセットを豊富に保有しています。最短１週間での納品が可能です。お気軽にご相談ください。

多言語話者分離

全てのデータセットは自社版権で提供しており、安心してご利用いただけます。個人情報（電話番号、カード番号など）が含まれる箇所は [PIL] タグで明示され、音声ファイル側もマスク処理されているため、セキュリティリスクを懸念せずに利用できます。

Nexdataの取り組み

Nexdataは、世界トップレベルのAI学習データプロバイダーとして、2011年からAI開発向けの商用利用可能なデータセット販売・データ収集・アノテーションおよびデータ提供を行っており、現在約4.5PB規模の教師データを保有しております。音声、画像、動画、テキスト、点群など多様なデータセットを世界中のAI企業に供給することで、AI業界が抱える最大の課題である「データの質と量」の解決に貢献しています。

お問い合わせ

Datatang株式会社について

社　名 ： データ・タング株式会社（Datatang株式会社）

所在地 ： 東京都千代田区神田淡路町2-105ワテラスアネックス6階

設　立 ： 2020年2月

資本金 ： 5000万円

事業概要：AI学習データ提供事業（自社データ・カスタマイズデータ）

　　　　　AI学習データの収集・アノテーション ・プラットフォーム提供事業

URL 　： https://nexdata.jp/