Датасет · UBC-NLP
Корпус для распознавания арабских диалектов Casablanca
UBC-NLP/Casablanca
Аудиозаписи с транскрипциями для обучения и тестирования систем ASR на различных диалектах арабского языка.
Что внутри
Датасет состоит из пар аудио и текста на арабском языке, охватывающих различные диалекты. Объем выборки составляет от 10 до 100 тысяч примеров. Проект создан группой UBC-NLP для устранения нехватки речевых данных для малоресурсных диалектов.
Что можно сделать
- Обучение и дообучение моделей распознавания речи (ASR) для арабского языка
- Оценка устойчивости речевых моделей к разным арабским диалектам
- Языки
- Арабский
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 2,1 тыс.
- Лайков
- 39
Модели, обученные на нём
- touati-kamel/whisper-algerian-darja-smallРаспознавание речи 636
- Tilas/whisper-lv3-darija-marco-30hРаспознавание речи 106
- touati-kamel/whisper-algerian-darja-mediumРаспознавание речи 78
- deepdml/whisper-tiny-ar-mix-normРаспознавание речи 63
- deepdml/whisper-large-v3-turbo-ar-mix-normРаспознавание речи 62
- deepdml/whisper-small-ar-mix-normРаспознавание речи 59
- deepdml/whisper-base-ar-mix-normРаспознавание речи 52
- MohammedNasri/whisper-algerian-dialectРаспознавание речи 47
Как загрузить
from datasets import load_dataset
ds = load_dataset("UBC-NLP/Casablanca")