К содержимому

Датасет · kapturecx

Многоязычный корпус речи и диалектов Индии

kapturecx/bolAIndia

Масштабная коллекция аудиозаписей, текстов и документов на редких языках и диалектах Индии для систем ASR.

Что внутри

Репозиторий содержит от 10 до 100 миллионов записей, включающих аудио, тексты и документы. Представлены индийские языки и диалекты (включая ангика, ассамский, авадхи и другие), а также речь с переключением кодов (code-switching). В корпус вошли разговорные записи, чтение вслух, образовательные материалы и трансляции из городов и сельских районов.

Что можно сделать

  • Обучение и адаптация моделей распознавания речи (ASR) под малоресурсные языки Индии
  • Тренировка мультимодальных речевых систем, устойчивых к региональным акцентам и смешению языков
Задачи
Распознавание речи
Языки
anp, as, awa, bfz, bgc, bhb, bhd, bho и ещё 4
Скачиваний за месяц
31,5 тыс.
Лайков
7
Доступ
по запросу на Hugging Face

Как загрузить

from datasets import load_dataset

ds = load_dataset("kapturecx/bolAIndia")