Датасет · disco-eth
WorldSpeech: 65 тыс. часов многоязычной речи
disco-eth/WorldSpeech
Многоязычный ASR-корпус на 65 тыс. часов человеческих транскриптов для 127 языковых вариантов.
Что внутри
WorldSpeech содержит более 65 000 часов речи с человеческими транскриптами для 127 языковых вариантов. Источники — национальные парламенты, общественные вещатели, аудиокниги в общественном достоянии и международные организации. Каждая строка — 24-кГц высказывание с транскриптом, выровненным ASR-транскриптом, CER между ними и WADA-SNR. Датасет принят на NeurIPS 2026.
Что можно сделать
- обучить многоязычную ASR-модель
- оценить ASR на редких языках и вариантах
- дообучить TTS или аудиоклассификатор
- Задачи
- Распознавание речи, Синтез речи, Классификация аудио
- Языки
- af, am, Арабский, az, be, bn, ca, ckb и ещё 4
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 25,2 тыс.
- Лайков
- 76
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("disco-eth/WorldSpeech")