К содержимому

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")