К содержимому

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")