Датасет · facebook
Многоязычный корпус для перевода речи и ASR
facebook/covost2
Крупный аудиокорпус на базе Mozilla Common Voice для распознавания речи и перевода между английским и десятками языков.
Что внутри
Датасет размером от 100 тысяч до 1 миллиона записей включает переводы устной речи с 21 языка на английский и с английского на 15 языков (в метаданных отмечены арабский, каталанский, валлийский, немецкий, испанский, эстонский и др.). Аудиофайлы собраны из краудсорсингового проекта Mozilla Common Voice и хранятся в формате .mp3.
Что можно сделать
- Обучение систем сквозного перевода речи (Speech-to-Text Translation)
- Тренировка и оценка многоязычных моделей ASR
- Задачи
- Распознавание речи
- Языки
- Арабский, ca, cy, Немецкий, Испанский, et, Персидский, Французский и ещё 4
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 604
- Лайков
- 52
Модели, обученные на нём
- FBK-MT/fama-medium-asrРаспознавание речи 28
- Berly00/whisper-large-v3-spanishРаспознавание речи 25
- FBK-MT/fama-mediumРаспознавание речи 18
- FBK-MT/fama-small-asrРаспознавание речи 17
- johntsi/nllb-200-distilled-600M_covost2_en-to-15Перевод 14
- meetween/Llama-speechlmm-1.0-l-STПеревод 14
- FBK-MT/fama-smallРаспознавание речи 13
- Berly00/mbart-large-50-spanish-to-english 10
Как загрузить
from datasets import load_dataset
ds = load_dataset("facebook/covost2")