Датасет · shb777
Синтетическая речь от Gemini Flash 2.0 (284 часа)
shb777/gemini-flash-2.0-speech
Аудиодатасет с парными текстами и озвучкой двумя голосами от Gemini Flash 2.0 для обучения TTS и ASR.
Что внутри
Набор включает 94 512 аудиофайлов (по 47 256 записей на каждый голос) с транскрипциями на английском языке общей длительностью 284,31 часа и средней длиной около 10,8 секунды. Речь сгенерирована моделью Gemini Flash 2.0 через Multimodal Live API двумя синтетическими голосами: мужским (Puck) и женским (Kore). Датасет использовался при обучении моделей Kokoro TTS и LLaSA 1B.
Что можно сделать
- Обучение и дообучение систем синтеза речи (TTS), как в проекте Kokoro TTS
- Тренировка моделей распознавания речи (ASR) и мультимодальных аудио-текстовых моделей
- Задачи
- Синтез речи, Распознавание речи
- Языки
- Английский
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 286
- Лайков
- 61
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("shb777/gemini-flash-2.0-speech")