К содержимому

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")