Датасет · MLCommons
Корпус произнесённых слов на 50 языках
MLCommons/ml_spoken_words
Масштабный набор односекундных аудиозаписей отдельных слов на 50 языках для распознавания ключевых фраз.
Что внутри
Включает 23,4 миллиона односекундных аудиофрагментов (более 6000 часов записи), охватывающих свыше 340 тысяч ключевых слов на 50 языках, включая арабский и чешский. Данные получены путём принудительного выравнивания (forced alignment) краудсорсинговых записей предложений, тайминги выравнивания приложены. Распространяется под свободной лицензией CC-BY 4.0.
Что можно сделать
- Обучение моделей распознавания ключевых слов и голосовых команд (keyword spotting)
- Создание систем поиска терминов в аудиозаписях для колл-центров
- Разработка мультиязычных голосовых интерфейсов для потребительских устройств
- Задачи
- Классификация аудио
- Языки
- Арабский, as, br, ca, cnh, cs, cv, cy и ещё 4
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 9,7 тыс.
- Лайков
- 37
Модели, обученные на нём
- TigreGotico/wakehubert-tinyЭмбеддинги 1,2 тыс.
- TigreGotico/wakephonehubertЭмбеддинги 986
- skit-ai/speechllm-1.5BЭмбеддинги 71
- skit-ai/speechllm-2BЭмбеддинги 70
- TigreGotico/wakehubert-mel-tcn-wideЭмбеддинги 20
- TigreGotico/wakehubert-mixconvЭмбеддинги 16
- TigreGotico/wakexeus-mel-tcn-wideЭмбеддинги 16
- TigreGotico/wakexeus-mel-bigruЭмбеддинги 16
Как загрузить
from datasets import load_dataset
ds = load_dataset("MLCommons/ml_spoken_words")