К содержимому

Датасет · Digital-Divide-Data

Речевой корпус кхмерского языка о культуре Камбоджи

Digital-Divide-Data/khmer-speech-dataset

Почти 728 часов аудиозаписей на кхмерском языке с ручной расшифровкой для распознавания речи.

Что внутри

Датасет содержит 727,94 часа пар «аудио — текст» на кхмерском языке (от 100 тыс. до 1 млн записей средней длительностью 8 секунд). Записи вручную начитаны 12 носителями языка из Камбоджи (5 женщин и 7 мужчин) по заданным темам о местной культуре. К каждому файлу приложены метаданные диктора: пол, возрастная группа и родной город.

Что можно сделать

  • Обучение и дообучение моделей ASR для распознавания кхмерской речи
  • Классификация текстов и аудио по культурным темам и характеристикам дикторов
Задачи
Распознавание речи, Классификация текста
Языки
km
Размер
100K–1M записей
Скачиваний за месяц
9,7 тыс.
Лайков
38
Доступ
по запросу на Hugging Face

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("Digital-Divide-Data/khmer-speech-dataset")