collectivat/tv3_parla

TV3Parla数据集包含240小时的加泰罗尼亚语广播材料，主要用于语言建模和自动语音识别任务。数据集由Corporació Catalana de Mitjans Audiovisuals, SA (CCMA)拥有，并由Softcatalà协会支持处理。数据集包括音频文件和对应的文本转录，分为训练集和测试集。数据集的创建和注释过程未详细说明，但提供了相关的引用和贡献者信息。The TV3Parla dataset contains 240 hours of Catalan-language broadcast materials, primarily intended for language modeling and automatic speech recognition tasks. It is owned by Corporació Catalana de Mitjans Audiovisuals, SA (CCMA), and its processing was supported by the Softcatalà association. The dataset includes audio files and their corresponding text transcriptions, and is split into training and test sets. The detailed creation and annotation processes of the dataset are not specified, but relevant citations and contributor information are provided.

原始信息汇总

数据集概述

数据集名称

• 名称: TV3Parla

数据集摘要

• 摘要: 该数据集包含240小时的加泰罗尼亚语广播材料语音。内容由Corporació Catalana de Mitjans Audiovisuals, SA (CCMA)拥有，并根据其使用条款提供。

支持的任务

• 任务:
  • 语言建模
  • 自动语音识别（ASR）

语言

• 语言: 加泰罗尼亚语 (ca)

数据集结构

• 数据实例:

  { path: tv3_0.3/wav/train/5662515_1492531876710/5662515_1492531876710_120.180_139.020.wav, audio: {path: ..., array: ..., sampling_rate: 16000}, text: algunes montoneres que que et feien anar ben col·locat i el vent també hi jugava una mica de paper bufava vent de cantó alguns cops o de cul i el pelotón el vent el porta molt malament hi havia molts nervis }

• 数据字段:

  • path (str): 音频文件路径。
  • audio (dict): 包含音频文件路径、解码音频数组和采样率的字典。
  • text (str): 音频文件的转录文本。

数据分割

• 分割: 训练集和测试集
• 示例数量:
  • 训练集: 159242
  • 测试集: 2220

许可证

• 许可证: Creative Commons Attribution-NonCommercial 4.0 International

引用信息

@inproceedings{kulebi18_iberspeech, author={Baybars Külebi and Alp Öktem}, title={{Building an Open Source Automatic Speech Recognition System for Catalan}}, year=2018, booktitle={Proc. IberSPEECH 2018}, pages={25--29}, doi={10.21437/IberSPEECH.2018-6} }