distil-whisper/gigaspeech-l

Distil Whisper: GigaSpeech是GigaSpeech数据集的一个变体，增加了Whisper模型的伪标签转录。该数据集主要用于自动语音识别任务，语言为英语。数据集的使用受到严格限制，仅限于非商业研究和教育目的。访问数据集需要同意特定的条款和条件，并通过Google Form提交申请。数据集可以通过Hugging Face的Datasets库进行加载，支持流式加载和磁盘加载两种方式。

原始信息汇总

Distil Whisper: GigaSpeech

数据集概述

• 类型: 自动语音识别
• 语言: 英语
• 版权与使用许可: 数据集使用受限，仅供非商业研究及教育目的使用。使用者需遵守特定条件和条款，并通过Google Form申请访问权限。

数据集内容

• 数据增强: 本数据集是GigaSpeech的一个变体，增加了伪标签的Whisper转录，这些转录是通过使用Whisper large-v2模型对输入音频数据进行贪婪采样生成的。

使用方法

• 安装与加载:

  • 安装🤗 Datasets包: bash pip install --upgrade pip pip install --upgrade datasets[audio]

  • 使用load_dataset函数加载数据集: python from datasets import load_dataset dataset = load_dataset("distil-whisper/gigaspeech-l", "l")

  • 数据集支持流式加载: python dataset = load_dataset("distil-whisper/gigaspeech-l", "l", streaming=True)

许可信息

• 许可类型: 自定义许可
• 详细信息: 请参考原始数据集卡片以获取许可的详细条款。