К содержимому

Датасет · vhdm

Очищенный корпус персидской речи на базе Common Voice 17

vhdm/persian-voice-v1

Версия персидского раздела Mozilla Common Voice 17 с исправленными орфографическими ошибками для задач распознавания речи.

Что внутри

Датасет объединяет аудиозаписи и текстовые расшифровки на персидском языке (объём от 10 до 100 тысяч записей). Авторы взяли персидскую часть корпуса Mozilla Common Voice 17 и вручную вычистили в транскрипциях орфографические неточности и опечатки. Это сделано для более точного сопоставления звука и текста при обучении моделей.

Что можно сделать

  • Обучение и дообучение моделей автоматического распознавания речи (ASR) на персидском языке
  • Улучшение точности транскрибации за счёт чистой разметки
  • Тестирование персидских голосовых систем
Задачи
Распознавание речи
Языки
Персидский
Размер
10K–100K записей
Скачиваний за месяц
150
Лайков
32

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("vhdm/persian-voice-v1")