Датасет · openbhasha
Размеченная речь на телугу с запинками и тегами
openbhasha/rsml-bench
Почти 16 часов аудио на языке телугу с детальной транскрипцией, таймкодами и разметкой речевых особенностей.
Что внутри
Датасет включает 40 полных аудиозаписей (16 кГц, моно WAV) из лекций и интервью на YouTube с лицензией CC BY, общая длительность — 15,82 часа. К каждому файлу прилагается выровненная по времени RSML-транскрипция с указанием спикеров и ручной проверкой сегментации. В тексте расставлены специальные теги для переключения кодов (code-mixing), нормализации, запинок (disfluency) и фоновых голосов.
Что можно сделать
- Обучение и тестирование ASR-моделей для языка телугу в реальных условиях
- Распознавание спонтанной речи с запинками и смешением языков
- Тренировка систем диаризации спикеров и сегментации длинного аудио
- Задачи
- Распознавание речи
- Языки
- te
- Размер
- до 1K записей
- Скачиваний за месяц
- 30,7 тыс.
- Лайков
- 0
- Доступ
- по запросу на Hugging Face
Как загрузить
from datasets import load_dataset
ds = load_dataset("openbhasha/rsml-bench")