Urdu Audio Transcriptions Dataset

kaggle2025-03-09 更新2025-05-03 收录

语音识别

乌尔都语

数据链接：

https://www.kaggle.com/datasets/ramizsaud/urdu-audio-transcriptions-dataset 数据链接链接失效反馈

官方服务：

资源简介：

A Collection of Urdu Speech Recordings with Roman Urdu Transcriptions for Speech

一组乌尔都语语音录音及其罗马乌尔都语转录文本，用于语音处理研究

创建时间：

2025-03-09

Swedish Speech Corpus

语音识别

自然语言处理

该数据集是瑞典国家图书馆的KBLab团队与瑞典议会管理、瑞典电视台以及瑞典语言和民间传说研究所合作构建的。数据集包含约56514小时的瑞典语语音数据，涵盖了各种瑞典语的变体，包括方言、社会方言、不同年龄组和口音。数据集来源于多个渠道，如瑞典媒体数据库、瑞典电视台、YouTube、瑞典议会的录音以及方言录音。数据经过预处理，包括音频格式转换、语言检测、转录和筛选，以确保高质量的训练数据。该数据集旨在

arXiv2025-05-23 更新490

Urdu-Instruct

乌尔都语

自然语言处理

Urdu-Instruct数据集是一个高质量的多语言合成数据集，包含51686个示例，用于提高Alif-1.0-8B-Instruct模型在乌尔都语任务上的性能。该数据集使用改进的self-instruct技术生成，涵盖了文本生成、伦理和安全考虑、事实问答、逻辑推理、双语翻译、分类和情感分析等多个领域。每个任务都设计了独特的提示和种子值，以确保生成的指令具有文化多样性和任务特定性。此外，该数据集还

arXiv2025-10-10 更新230

Subhadeep/English_IITM_Check_dataset

语音识别

自然语言处理

--- dataset_info: features: - name: audio dtype: audio - name: path dtype: string - name: sentence dtype: string - name: length dtype: float64 splits: - name: train n

Hugging Face2023-11-22 更新160

1gb-test-neural-nopack

语音识别

Whisper模型

1gb-test-neural-nopack 是一个专门为 Whisper 模型训练准备的语音数据集，由 Trelis Studio 制作。该数据集包含 5 个源文件，共计 725 个训练样本和 50 个验证样本，总时长为 587.1 分钟。数据集中的每个样本包含以下字段：音频片段（16kHz，经过 VAD 处理去除静音）、纯文本转录（无时间戳）、带 Whisper 时间戳标记的转录、原始音频中的

Hugging Face2026-02-13 更新410

CSS10 语音数据集

语音识别

语音合成

CSS10 是一个拥有十种语言的单扬声器语音的数据集。数据集包含 LibriVox 有声读物的简短音频剪辑及其校准文本。研究人员根据语音数据集还训练了两个由文本生成语音的神经模型，以验证语音数据集质量。数据集未来可用于演讲任务。

超神经2022-10-27 更新180