К содержимому

Датасет · amazon-agi

50 млн инструкций для речевых языковых моделей от Amazon

amazon-agi/SIFT-50M

Масштабный мультиязычный корпус на базе 14 000 часов аудио для обучения пониманию и генерации речи.

Что внутри

SIFT-50M включает 50 миллионов примеров для претрейна и SFT-дообучения речевых языковых моделей на пяти языках: английском, немецком, французском, итальянском и испанском. Корпус собран компанией Amazon AGI на основе открытых речевых баз общей длительностью 14 000 часов с привлечением LLM и экспертных моделей. Данные охватывают задачи понимания речи, классификации аудио и управляемого синтеза голоса.

Что можно сделать

  • Претрейн и SFT-дообучение мультимодальных аудио-текстовых LLM
  • Обучение систем управляемого синтеза речи (text-to-speech)
  • Создание мультиязычных голосовых ассистентов
Задачи
audio text to text, Классификация аудио, Синтез речи, Обработка аудио
Языки
Английский, Немецкий, Французский, Итальянский, Испанский
Размер
10M–100M записей
Скачиваний за месяц
4 тыс.
Лайков
39

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("amazon-agi/SIFT-50M")