Датасет · fsicoli
Зеркало корпуса голосовой речи Mozilla Common Voice 17.0
fsicoli/common_voice_17_0
Крупный многоязычный аудиодатасет для распознавания речи, сконвертированный из 17-й версии Mozilla Common Voice.
Что внутри
Это неофициальная копия набора данных Mozilla Common Voice Corpus 17.0, скачанная и переупакованная с официального сайта проекта. Общий объём составляет от 100 миллиардов до 1 триллиона элементов. Корпус охватывает десятки языков, включая абхазский, албанский, арабский, армянский, башкирский, белорусский, чувашский и многие другие.
Что можно сделать
- Обучение и дообучение моделей ASR для множества языков, включая малоресурсные
- Бенчмаркинг качества распознавания речи на разнообразных акцентах
- Предобучение многоязычных акустических энкодеров
- Задачи
- Распознавание речи
- Языки
- ab, af, am, Арабский, as, ast, az, ba и ещё 4
- Размер
- 100B–1T записей
- Скачиваний за месяц
- 32,1 тыс.
- Лайков
- 19
Модели, обученные на нём
- mradermacher/lemura-arabic-asr-qwen3-GGUFРаспознавание речи 682
- ersanbil/Breeze-TTS-2-Turkish-BaseСинтез речи 206
- jburtoft/Qwen3-ASR-1.7B-DFlashРаспознавание речи 121
- jburtoft/Voxtral-Mini-3B-2507-DFlashРаспознавание речи 79
- maleo-ai/whisper-small-idРаспознавание речи 69
- maleo-ai/whisper-large-v3-turbo-idРаспознавание речи 69
- bkupacc/whisper-large-v3-turbo-id-ct2-int8Распознавание речи 64
- maleo-ai/whisper-tiny-idРаспознавание речи 53
Как загрузить
from datasets import load_dataset
ds = load_dataset("fsicoli/common_voice_17_0")