Датасет · LEMAS-Project
150 тыс. часов речи на 10 языках
LEMAS-Project/LEMAS-Dataset-train
Крупный тренировочный корпус и eval-набор с выравниванием слов для ASR и TTS на 10 языках.
Что внутри
Датасет из проекта LEMAS-Project: тренировочный набор 150k+ часов и оценочный набор по 500 высказываний на язык. Покрывает 10 языков; в метаданных перечислены итальянский, португальский, испанский, французский, немецкий и вьетнамский. Есть word-level alignment, аудио хранится в MP3, ключи содержат ID высказывания и путь к файлу.
Что можно сделать
- Обучение многоязычных ASR-моделей
- Дообучение TTS на 10 языках
- Оценка выравнивания слов
- Задачи
- Синтез речи, Распознавание речи
- Языки
- Итальянский, Португальский, Испанский, Французский, Немецкий, Вьетнамский, Индонезийский, Русский и ещё 2
- Размер
- 100M–1B записей
- Скачиваний за месяц
- 5,5 тыс.
- Лайков
- 91
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("LEMAS-Project/LEMAS-Dataset-train")