К содержимому

Датасет · charcot-ai

Мультиязычный аудиобенчмарк Marimba Bench

charcot-ai/marimba-bench

Набор из 136 часов реальных и синтетических аудиозаписей на 6 языках для оценки моделей распознавания речи и звуков.

Что внутри

Датасет к научной статье содержит 90 112 записей общей длительностью 136,38 часа в формате моно 16 kHz, упакованных в parquet. Данные разделены на 25 конфигураций на английском, испанском, французском, итальянском, португальском и румынском языках. Внутри есть разметка для детекции голосовой активности, сегментации спикеров, определения языка, ключевых слов, классов звуков и синтетических маркеров.

Что можно сделать

  • Комплексная оценка и сравнение аудиоэнкодеров сразу по нескольким задачам от VAD до классификации звуков
  • Обучение или тестирование детекторов синтетической речи и дипфейков на шести европейских языках
  • Дообучение моделей распознавания ключевых слов и определения языка в потоковом аудио
Задачи
Классификация аудио, voice activity detection
Языки
Английский, Испанский, Французский, Итальянский, Португальский, ro, Арабский, Китайский и ещё 4
Размер
10K–100K записей
Скачиваний за месяц
781
Лайков
2

Как загрузить

from datasets import load_dataset

ds = load_dataset("charcot-ai/marimba-bench")