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")