Датасет · lab260
Крупный корпус русской речи для ASR с пунктуацией
lab260/balalaika-sft-rover7-punct
Почти 12 тысяч часов русской речи с консенсусными транскрипциями семи ASR-моделей и расставленной пунктуацией.
Что внутри
В датасете собрано 4 775 837 аудиозаписей на русском языке общей длительностью 11 921,5 часа из 8 источников. Для каждого аудио сохранены варианты распознавания от семи разных ASR-систем, итоговый консенсусный текст с восстановленной пунктуацией, источник записи и метрика качества DistillMOS. Точный формат файлов в фрагменте карточки не указан.
Что можно сделать
- SFT-обучение и дообучение моделей распознавания русской речи (ASR) с поддержкой пунктуации
- Обучение моделей автоматической расстановки знаков препинания и дистилляция ансамблей ASR
- Задачи
- Распознавание речи
- Языки
- Русский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 21,9 тыс.
- Лайков
- 3
Как загрузить
from datasets import load_dataset
ds = load_dataset("lab260/balalaika-sft-rover7-punct")