К содержимому

Датасет · speechcolab

39 000 часов аудио для распознавания арабской речи

speechcolab/gigaspeech3

Крупный корпус для ASR на пяти диалектах арабского языка со слабой разметкой.

Что внутри

GigaSpeech 3 — это масштабный аудиодатасет для распознавания речи (ASR) на арабском языке, содержащий около 10 миллионов сегментов общей длительностью 39 000 часов. Записи снабжены слабой разметкой (weakly transcribed) и охватывают пять диалектов: алжирский, египетский, иракский, саудовский и сирийский.

Что можно сделать

  • Обучение мультиязычных и диалектных моделей распознавания арабской речи (ASR)
  • Исследования методов обучения со слабой разметкой (weak supervision) в аудио
  • Адаптация и дообучение моделей для малоресурсных диалектов арабского
Задачи
Распознавание речи
Языки
Арабский
Размер
10M–100M записей
Скачиваний за месяц
24,2 тыс.
Лайков
33

Как загрузить

from datasets import load_dataset

ds = load_dataset("speechcolab/gigaspeech3")