数据集介绍

在医疗AI不断向智能语音交互、远程问诊、语音病历生成等方向拓展的背景下，行业专属语音识别模型的性能与数据质量之间的关系变得至关重要。尤其是对于马来语语种，医疗语音资源更显稀缺。

本数据集基于真实医疗场景采集的原始语音，经过精细的切段处理（单条音频 3–20 秒）和高质量人工转写，形成可直接用于训练语音识别系统的“音频 + 对齐文本”结构化语料，为构建精准、稳健的马来语医疗ASR系统提供基础资源。

该数据集具备高质量、任务适配度强、结构标准等显著优势。音频均来源于马来语医疗场景，涵盖真实交流内容，表达自然，语速多样，含丰富医学专业术语。所有音频已按句短段切割，便于模型训练收敛，配套文本由人工转写完成，准确率高，语义完整。结构统一、格式清晰，支持导出为主流ASR训练框架格式。该数据既适用于从零训练马来语医疗语音识别模型，也可用于微调通用大模型在医疗垂类的表现，是当前马来语医疗语音AI发展的关键训练资源。