К содержимому

Датасет · ai4bharat

Размеченная речь на 12 индийских языках

ai4bharat/Kathbath

1 684 часа аудиозаписей речи с ручной расшифровкой на 12 языках Индии для обучения систем распознавания (ASR).

Что внутри

Датасет включает аудиозаписи и текстовые транскрипции общим объемом 1 684 часа (от 100 тысяч до 1 миллиона примеров). Записи собраны от 1 218 дикторов из 203 округов Индии и охватывают 12 языков, включая хинди, бенгальский, тамильский, урду, санскрит и другие.

Что можно сделать

  • Обучение и дообучение моделей автоматического распознавания речи (ASR)
  • Создание мультиязычных голосовых ассистентов для индийских языков
  • Бенчмаркинг качества распознавания речи в условиях разных диалектов
Размер
100K–1M записей
Скачиваний за месяц
8,7 тыс.
Лайков
59
Доступ
по запросу на Hugging Face

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("ai4bharat/Kathbath")