К содержимому

Датасет · MBZUAI

Многоголосый арабский речевой корпус с огласовками

MBZUAI/ArVoice

Аудиодатасет современного стандартного арабского языка от MBZUAI с несколькими дикторами и полной диакритикой в транскрипциях.

Что внутри

Корпус содержит от 10K до 100K пар «аудио — текст» на современном стандартном арабском языке (MSA), записанных разными дикторами. Главная особенность — полная расстановка диакритических знаков (огласовок) в текстовых расшифровках. Датасет подготовлен исследователями университета MBZUAI.

Что можно сделать

  • Обучение многоголосых моделей синтеза речи (TTS) на арабском языке
  • Обучение и тестирование систем распознавания речи (ASR) с учётом огласовок
  • Задачи конверсии голоса (voice conversion), восстановления диакритики по речи и детекции дипфейков
Задачи
Синтез речи, Текст → аудио, Распознавание речи
Языки
Арабский
Размер
10K–100K записей
Скачиваний за месяц
1,5 тыс.
Лайков
34

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("MBZUAI/ArVoice")