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
- phonsobon/PsarAI-ASR-1BРаспознавание речи 96
- nphearum/PsarAI-ASR-1BРаспознавание речи 77
- KrorngAI/TrorYongASR2-smallРаспознавание речи 69
- KrorngAI/TrorYongASR2-tinyРаспознавание речи 25
- ric912/khmer-speech-text-tokenizer-4k 0
- Nukthean/krama-asr-khmerРаспознавание речи 0
- Nukthean/krama-asr-khmer-onnxРаспознавание речи 0
Как загрузить
from datasets import load_dataset
ds = load_dataset("Digital-Divide-Data/khmer-speech-dataset")