Basis在2026年9月23日发布了Basis Conversations 1500，一个开放用于商业和研究的多语种、多方、全双工对话语音数据集，包含约1502小时音频、1907段对话和2645名说话者，覆盖22种语言。数据保留多人重叠说话、插话、笑声等真实对话现象，并提供独立说话轨道与约97.5小时人工标注，适用于语音识别、说话人分离与语音代理研究，但访问受许可证与隐私限制。
Basis于2026年9月23日发布Basis Conversations 1500，这是一个面向商业和研究用途开放的多语种、多方、全双工对话语音数据集。该数据集包含约1502小时对话音频、1907段对话和2645名独立说话者，覆盖22种语言及33个国家或地区。
这次发布的重点并不是一款新的语音模型，而是一套试图更接近真实交谈状态的基础数据。与单人朗读或轮流发言的录音相比，Basis Conversations 1500保留了多人同时说话、短暂插话、停顿、笑声、修复和自我修正等现象。对于正在开发语音识别、说话人分离和实时语音代理的研究者来说，这些细节往往决定了系统能否在真实对话中保持稳定。
数据集记录的不只是“说了什么”
根据Basis的官方发布页面和Hugging Face数据集卡，每段对话在同一时间最多有四名参与者同时在线。参与者可以在通话过程中加入或离开，因此一段对话在完整时长内出现的说话者数量可能超过同时在线人数；数据集统计显示，每段对话涉及的说话者数量最高可达30人，中位数为5人。
音频采用48kHz、16位、单声道FLAC格式保存，每名参与者拥有独立的说话轨道。各轨道使用共同时间轴，研究者可以据此判断某一时刻哪些人正在讲话，以及不同轨道之间是否出现重叠。数据没有统一降噪或响度归一化，因而也保留了不同设备和录音环境带来的差异。
数据集总计有13682条说话人音轨，包含2396个分段。Basis称，约94%的音频时长中同时有三名或更多参与者在通话中，但这并不意味着所有时刻都有多人讲话。数据集卡还指出，提供的转写主要用于检索和筛选，其中一些语言的自动转写可能存在明显错误，不建议未经复核就把它们当作训练目标。
22种语言与约100小时人工标注
这批数据覆盖英语、西班牙语、日语、韩语、格鲁吉亚语、明格列尔语、德语、法语、意大利语、希伯来语、俄语、印地语、阿拉伯语、乌克兰语、荷兰语、科萨语、祖鲁语、葡萄牙语、中文、土耳其语、波兰语和哈萨克语。
其中，西班牙语约481.2小时，阿拉伯语约279.2小时，印地语约182.2小时，英语约174.4小时，葡萄牙语约114.1小时。不同语言的规模并不均衡，中文在数据集卡中以台湾中文标注，约15.3小时、17段对话和35名说话者。
约97.5小时内容带有人工标注。Hugging Face发布的说明称，人工标注覆盖148段对话、14种语言和23751个经过人工判断的语音事件，共产生113096次判断，参与标注的人员为7362名。标注内容包括：
- 听者的简短回应是表示跟随、惊讶、同情还是其他反应；
- 两名或多名说话者是否同时讲话，以及插话是合作性的还是竞争性的；
- 停顿是正常的轮次间隔、保留发言权，还是尴尬的沉默；
- 对话中出现的是重复请求、澄清、理解确认还是其他修复行为；
- 说话者是在自我修正、重新开始，还是放弃了原本的表达；
- 一句话是对某一名参与者说的，还是面向全体参与者。
这些标签把数据集的用途从传统的语音转写扩展到互动行为分析。系统不仅要判断一个词是否被识别出来，还要理解什么时候有人在回应、什么时候有人打断，以及一句话应当归属于哪一名说话者。
对语音代理和说话人分离意味着什么
长期以来，语音数据集和评测往往更容易处理单人、清晰、轮流发言的场景。但会议、客服通话、家庭语音设备和实时语音代理面对的通常是相反的条件：多人轮换发言，背景声音不稳定，部分内容发生重叠，听者还会用“嗯”“对”“是的”等短回应参与对话。
这也是说话人分离技术受到关注的原因。它回答的是“谁在什么时候说话”，与自动语音识别回答“说了什么”并不相同。AIFlux此前在NVIDIA推出Nemotron 3 Diarization的报道中提到，多说话人重叠和标签稳定性已经成为实时语音系统的关键问题。Basis这次提供的独立音轨和共同时间轴，为这类研究提供了较直接的实验材料。
数据集也可以与更广泛的语音评测工作结合。比如，AIFlux此前报道的Hugging Face开放ASR排行榜纳入印度英语和印地语评测把注意力放在不同地区、说话人群体和设备条件下的识别差异。两类项目的侧重点不同，但共同指向一个趋势：语音系统的质量不能只用一个总体错误率来描述，还要看它在何种人群、语言和交谈条件下失效。
开放使用仍受到许可证和隐私条件约束
Basis表示，参与者在录音前已同意相关录音用于人工智能训练和研究，参与者协议也覆盖语音识别、文本转语音、语音合成、声音克隆和数字复制品等用途，但具体使用仍须遵守数据集许可证及适用法律。
这并不意味着数据可以被无条件下载或任意使用。Hugging Face页面要求用户在申请访问时同意相关条件，包括不得尝试识别、定位或联系任何说话者，不得利用数据冒充特定个人，也不得重建已经被移除的内容。Basis称，数据中的说话人使用稳定但匿名的标识；检测到的姓名、电话号码、地址、账号和电子邮件等个人信息会被静音或以占位方式处理，疑似未成年人也会被尽力排除。
数据规模方面，Basis官方页面将这次发布概括为约1500小时；Hugging Face数据集卡给出的精确统计为1502小时，并显示完整仓库约253GB，页面另列出的总文件大小约为255GB。两者属于同一发布的不同展示口径，不能简单理解为两个不同版本。研究者还可以先下载转写、标注和说话人元数据，而不必立即下载完整音频；数据集卡估计，完整仓库规模约为253GB。
此外，数据集卡的访问说明与“开放”一词之间存在需要注意的边界：项目对商业和研究用途提供开放许可，但实际音频访问仍经过Hugging Face的申请和人工审核，使用者还必须遵守许可证中的隐私限制。对于涉及客户通话、医疗录音或个人助理的研究，机构需要进一步核对数据处理责任、存储方式和模型输出是否可能重新识别个人。
从开放数据到可部署产品仍有距离
Basis Conversations 1500可以降低研究者获得自然多人对话数据的门槛，但它本身不是一个训练完成的语音模型，也不代表某种商业语音产品已经上线。数据集提供的是用于训练、评估和分析的原始材料，研究者仍需处理语言规模不均衡、自动转写噪声、设备差异、隐私静音和人工标注覆盖范围有限等问题。
对于语音识别系统，研究者可能关心词错误率以及不同语言、设备和噪声条件下的稳定性；对于说话人分离系统，重点则包括重叠语音中的归属准确度、说话者标签是否持续一致，以及系统能否满足实时延迟要求。对于语音代理，还需要进一步判断系统是否会把听者的短回应误解为新指令，或把多人对话中的意见错误归因于某一名用户。
因此，这次发布的意义更多在于补充了一层此前较难公开获得的真实交谈数据，而不是宣布语音人工智能已经解决了多人互动问题。随着语音代理从简单问答走向持续参与会议、客服和日常协作，系统需要处理的也将不只是声音和文字，而是发言权、对象、时机以及对话中的不确定性。Basis Conversations 1500试图把这些现象纳入同一份可供研究和评测的数据资源中，接下来真正的考验仍将在模型训练和实际部署中发生。