К содержимому
Датасеты

Emilia-Dataset

официальный датасет для масштабного обучения речевых моделей

1 мин чтения

Этот масштабный мультиязычный набор данных создан для обучения и тестирования систем синтеза (Text-to-Speech) и распознавания речи (Automatic Speech Recognition). Внутри собрано свыше 200 тысяч часов аудиозаписей с соответствующими текстовыми расшифровками на шести языках: китайском, английском, японском, французском, немецком и корейском. Датасет состоит из оригинальной базы на 101 тысячу часов и дополнительного пула на 114 тысяч часов качественных материалов. Ресурс будет полезен исследователям и разработчикам, создающим продвинутые голосовые движки и речевые ассистенты.

Ключевые особенности

  • Поддержка шести языков, включая английский, китайский, японский и европейские языки.
  • Огромный общий объем — более 200 тысяч часов аудиоданных.
  • Открытая структура и сопутствующий пайплайн предобработки Emilia-Pipe.
  • Распространение части материалов под лицензией CC BY-NC 4.0.

Что можно сделать

  • Обучить собственные современные модели голосового синтеза (Text-to-Speech) с высокой естественностью звучания.
  • Провести дообучение и оценку качества систем автоматического распознавания речи (ASR).
  • Использовать код Emilia-Pipe для собственной предобработки и фильтрации речевых аудиоданных.

Пример

Загрузка датасета с помощью библиотеки datasets:

from datasets import load_dataset

dataset = load_dataset("amphion/Emilia-Dataset")
print(dataset)
ПодробнееОбщий объем: более 200 000 часов аудио
Языки: zh, en, ja, fr, de, ko
Инструменты: пайплайн предобработки Emilia-Pipe
Назначение: обучение TTS и ASR моделей
Обсудить Telegram 519 67,7 тыс.

О модели

datasets/amphion/Emilia-Dataset
Автор
amphion
Категория
Датасеты
Дата выхода
На сайте

На сайте

Hugging Face

67,7 тыс.519

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Датасеты

SmolLM-Corpus

SmolLM-Corpus
Датасеты

FineVision

FineVision