Burmese-Daily-Dialogue-Corpus

Burmese Daily Dialogue Corpus ( BDDC )

English

Dataset Summary

The Burmese Daily Dialogue Corpus ( BDDC ) is a synthetic speech dataset based on everyday conversational speech in Myanmar (Burmese).

Speakers and Voice Origin

All 13 speakers in the dataset are synthetic Burmese speakers, and no human individual's voice recordings are used. Each speaker was independently designed to have different Speaking Styles and Voice Characteristics.

Data Composition

Training & Validation

• Speakers: 11
• Train: 20,699 Utterances
• Validation: 2,300 Utterances

Held-Out Test Set

• Speakers: 2 — Gita , Nanda
• Test: 1,561 Utterances

The two test speakers are unseen speakers who are not included in the training or validation sets.

Speaker Generalization

To support speaker-independent evaluation, two speakers who are not included in the training or validation sets are reserved exclusively for the test set.

This setup allows models to be evaluated on unseen-speaker generalization.

Word Segmentation

In the transcripts, Morpho-Syntactic Word Segmentation Style is used. Word Boundaries were segmented using Custom Regex Rules written by the author, and were re-checked and corrected through human annotation ( Human Annotation ).

The segmentation style is dataset-specific and may be adapted to a different convention depending on the research task.

Intended Use

This dataset is intended for the following research and educational purposes:

• ASR (Automatic Speech Recognition) research
• TTS (Text-to-Speech) research
• Speaker recognition and analysis
• Speaker generalization
• Myanmar language processing
• Linguistic and phonetic research
• Speech and audio classification
• Educational purposes

License

This dataset is distributed under the Creative Commons Attribution 4.0 International (CC BY 4.0) license.

• The dataset is openly available and free to use.
• It may be used for academic/research purposes as well as commercial purposes, including model training, subject to the terms of the CC BY 4.0 license.
• Appropriate attribution/credit must be provided when using the dataset. See the citation below.

Limitations

• As the dataset consists of synthetic speech, it may not fully represent real-world spontaneous human speech.
• The dataset contains only 13 speakers, which limits speaker diversity.
• The held-out test set contains only two speakers; therefore, results should be interpreted carefully when generalizing to broader speaker populations.
• The word segmentation follows a dataset-specific convention.

မြန်မာ

Dataset အကျဉ်းချုပ်

Burmese Daily Dialogue Corpus ( BDDC ) သည် မြန်မာဘာသာဖြင့် နေ့စဉ်စကားပြောပုံစံများကို အခြေခံထားသော Synthetic Speech Dataset ဖြစ်ပါသည် ။

Speaker စာရင်းနှင့် အသံမူရင်း

Dataset တွင် ပါဝင်သော Speaker ၁၃ ဦးသည် Synthetic Burmese Speakers များဖြစ်ပြီး လူသားတစ်ဦးတစ်ယောက်၏ အသံကို အသုံးပြုထားခြင်း မရှိပါ ။ Speaker တစ်ဦးချင်းစီကို စကားပြော ပုံစံ ( Speaking Style ) နှင့် အသံ အရည်အသွေး ( Voice Characteristics ) ကွဲပြားစေရန် သီးခြားဖန်တီးထားပါသည် ။

Data ခွဲဝေမှု

Training & Validation

• Speakers: 11 ဦး
• Train: 20,699 Utterances
• Validation: 2,300 Utterances

Held-Out Test Set

• Speakers: 2 ဦး — ဂီတ ၊ နန္ဒ
• Test: 1,561 Utterances

Test speaker ၂ ဦးသည် Training နှင့် Validation တွင် မပါဝင်သော Unseen Speakers များဖြစ်ပါသည်။

Speaker Generalization

Speaker-Independent Evaluation ပြုလုပ်နိုင်ရန် Test Set တွင် Training/Validation တွင် မပါဝင်သော Speaker အသစ် ၂ ဦးကို သီးခြားထားရှိထားပါသည် ။ ထို့ကြောင့် Model များ၏ Unseen-Speaker Generalization စွမ်းရည်ကို စမ်းသပ်နိုင်ပါသည် ။

Word Segmentation

Transcript များတွင် Morpho-Syntactic Word Segmentation Style ကို အသုံးပြုထားပါသည် ။ Word Boundary များကို ကိုယ်တိုင် ရေးထားသော Custom Regex Rules များဖြင့် ခွဲခြားထားပြီး ၊ လူကိုယ်တိုင် ( Human Annotation ) ဖြင့် ပြန်လည်စစ်ဆေး ပြင်ဆင်ထားပါသည် ။

Segmentation style သည် Dataset-Specific ဖြစ်သောကြောင့် လိုအပ်ပါက မိမိတို့၏ Research Task နှင့် ကိုက်ညီသော Style သို့ ပြောင်းလဲအသုံးပြုနိုင်ပါသည် ။

အသုံးပြုရန် ရည်ရွယ်ချက်

ဤ Dataset ကို အောက်ပါ အသုံးပြုမှုများအတွက် ရည်ရွယ်ထားပါသည် —

• ASR (Automatic Speech Recognition) Research
• TTS (Text-to-Speech) Research
• Speaker Recognition / Analysis
• Speaker Generalization
• Myanmar Language Processing
• Linguistic & Phonetic Research
• Speech / Audio Classification
• Educational Purposes

License

ဤ Dataset ကို Creative Commons Attribution 4.0 International (CC BY 4.0) လိုင်စင်အောက်တွင် ဖြန့်ဝေထားပါသည် ။

• လုံးဝ Open-Source ဖြစ်ပြီး အခမဲ့ အသုံးပြုနိုင်ပါသည် ။
• Academic/Research အသုံးပြုမှုအတွက်ဖြစ်ဖြစ် ၊ Commercial အသုံးပြုမှု ( Model Training အပါအဝင် ) အတွက်ဖြစ်ဖြစ် ကြိုက်နှစ်သက်ရာ ရည်ရွယ်ချက်နှင့် လွတ်လပ်စွာ အသုံးပြုနိုင်ပါသည် ။
• Dataset ကို အသုံးပြုသည့်အခါ သင့်လျော်သော Attribution/Credit ပေးရန် လိုအပ်ပါသည် ( အောက်ပါ Citation ကို ကြည့်ပါ )။

ကန့်သတ်ချက်များ

• Synthetic Speech ဖြစ်သောကြောင့် Real-World Spontaneous Human Speech ကို အပြည့်အဝ မကိုယ်စားပြုနိုင်ပါ ။
• Speaker ၁၃ ဦးသာ ပါဝင်သောကြောင့် Speaker Diversity ကန့်သတ်ချက်ရှိပါသည် ။
• Held-Out Test Set တွင် Speaker ၂ ဦးသာ ပါဝင်သောကြောင့် Result များကို Speaker Population အားလုံးသို့ Generalize ပြုလုပ်ရာတွင် သတိပြုရန်လိုပါသည် ။
• Word Segmentation သည် Dataset-Specific Convention ဖြစ်ပါသည် ။

Citation

If you use this dataset in your research, please cite it as follows / ဤ Dataset ကို သုတေသနတွင် အသုံးပြုပါက အောက်ပါအတိုင်း cite ပြုလုပ်ပေးပါရန် မေတ္တာရပ်ခံအပ်ပါသည်။

@misc{burmese_daily_dialogue_corpus,
  title        = {Burmese Daily Dialogue Corpus (BDDC)},
  author       = {Thant Zin Phyo},
  year         = {2026},
  howpublished = {Hugging Face Datasets},
  note         = {Synthetic Speech Dataset. Creative Commons Attribution 4.0 International (CC BY 4.0).}
}