Датасет · PleIAs
Транскрипты 2 млн YouTube-видео с лицензией CC-BY
PleIAs/YouTube-Commons
22,7 млн транскриптов 2,06 млн YouTube-видео с CC-BY на шести языках, почти 45 млрд слов.
Что внутри
Это транскрипты аудио из YouTube-видео, опубликованных под лицензией CC-BY. В наборе 22,7 млн оригинальных и автоматически переведённых транскриптов, почти 45 млрд слов; карточка также упоминает 721 136 каналов. Языки — en, fr, es, pt, de, ru; формат — текстовые транскрипты.
Что можно сделать
- Предобучение многоязычных текстовых моделей
- Дообучение моделей для суммаризации и анализа видео
- Исследования разговорной речи и YouTube-контента
- Задачи
- Генерация текста
- Языки
- Английский, Французский, Испанский, Португальский, Немецкий, Русский
- Скачиваний за месяц
- 10,5 тыс.
- Лайков
- 406
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("PleIAs/YouTube-Commons")