К содержимому

Датасет · ai4bharat

Многоязычный корпус речи на 22 языках Индии для TTS

ai4bharat/indicvoices_r

Крупный аудиодатасет с расшифровками на 22 индийских языках для обучения систем синтеза речи.

Что внутри

Внутри находятся парные аудиозаписи и тексты общей длительностью 1 704 часа от 10 496 дикторов на 22 индийских языках (включая хинди, бенгальский, гуджарати и другие). Размер выборки — от 100 тысяч до 1 миллиона записей. Данные получены путём переработки существующего корпуса для распознавания речи (ASR) под задачи синтеза.

Что можно сделать

  • Обучение многоязычных и многодикторских TTS-моделей для индийских языков
  • Файнтюнинг систем генерации естественной речи с учётом демографии дикторов
Задачи
Синтез речи
Языки
as, bn, gu, Хинди, kn, ks, ml, mr и ещё 4
Размер
100K–1M записей
Скачиваний за месяц
15,7 тыс.
Лайков
56
Доступ
по запросу на Hugging Face

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("ai4bharat/indicvoices_r")