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")