Датасет · ai4bharat
Речь и транскрипты 22 языков Индии
ai4bharat/IndicVoices
23,7 тыс. часов спонтанной речи и чтения на 22 языках Индии, из них 11,2 тыс. часов с транскриптами.
Что внутри
Датасет содержит естественную и спонтанную речь: 23,7 тыс. часов аудио в форматах чтения (8%), импровизации (76%) и разговоров (15%). Записи сделаны от 51 тыс. дикторов из более чем 400 районов Индии и покрывают 22 языка. По состоянию на 23 декабря 2025 года транскрибировано 11,2 тыс. часов.
Что можно сделать
- Обучить ASR для языков Индии
- Дообучить мультиязычную речевую модель
- Оценить ASR на спонтанной речи
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 22,2 тыс.
- Лайков
- 162
- Доступ
- по запросу на Hugging Face
Модели, обученные на нём
- theharshithh/open-sarikaРаспознавание речи 2 тыс.
- SPRINGLab/SPRING_F5Синтез речи 995
- third-intelligence/RubatoCodecОбработка аудио 642
- udgamlabs/ShrutiРаспознавание речи 302
- udgamlabs/shruti-teluguРаспознавание речи 283
- Aarjan/kriti-telephonyРаспознавание речи 258
- udgamlabs/shruti-tamilРаспознавание речи 173
- xnpx/wav2vec2-large-xlsr-ipa-phonemesРаспознавание речи 146
Как загрузить
from datasets import load_dataset
ds = load_dataset("ai4bharat/IndicVoices")