NbAiLab/NPSC_orto

挪威议会语音语料库（NPSC）是由挪威国家图书馆的挪威语言银行在2019-2021年间创建的语音语料库。该语料库包含挪威议会的语音记录及其对应的挪威语（Bokmål和Nynorsk）文字转录。所有转录均由训练有素的语言学家或文献学家手动完成，并经过校对以确保一致性和准确性。整个议会的会议日都被转录到数据集中。此版本的数据集还包含额外的机器生成的文本字段，用于提供更接近字幕使用的文本。

The Norwegian Parliament Speech Corpus (NPSC) is a speech corpus created by the Norwegian Language Bank of the National Library of Norway between 2019 and 2021. This corpus contains speech recordings of the Norwegian Parliament and their corresponding Norwegian transcriptions in both Bokmål and Nynorsk. All transcriptions were manually completed by trained linguists or philologists, and proofread to ensure consistency and accuracy. Full proceedings of every parliamentary session day are transcribed and included in the dataset. Additionally, this version of the dataset includes extra machine-generated text fields to provide text that is more suitable for subtitle usage.

原始信息汇总

数据集概述

数据集名称

• 名称: NPSC
• 别名: NbAiLab/NPSC

数据集属性

• 语言:
  • 主要语言: nb (挪威语Bokmål), nn (挪威语Nynorsk)
  • 辅助语言: no (挪威语)
• 许可证: CC0-1.0
• 多语言性: 单语种
• 大小: 2G<n<1B
• 来源: 原始数据
• 任务类别:
  • 自动语音识别
  • 音频分类
• 标签: 语音建模

数据集内容

• 数据字段:
  • sentence_id: 整数，唯一标识符
  • sentence_order: 整数，句子顺序
  • speaker_id: 整数，发言人ID
  • meeting_date: 字符串，会议日期
  • speaker_name: 字符串，发言人姓名
  • sentence_text: 字符串，句子文本
  • sentence_language_code: 字符串，语言代码
  • text: 字符串，句子文本副本
  • start_time: 整数，句子开始时间
  • end_time: 整数，句子结束时间
  • normsentence_text: 字符串，规范化句子文本
  • transsentence_text: 字符串，翻译后的句子文本
  • translated: 整数，翻译标记
  • audio: 数组，音频数据

数据集统计

• 总时长:
  • 含停顿: 140.3小时
  • 不含停顿: 125.7小时
• 单词数: 120万
• 句子数: 64,531
• 语言分布:
  • Nynorsk: 12.8%
  • Bokmål: 87.2%
• 性别分布:
  • 女性: 38.3%
  • 男性: 61.7%

许可证

• 音频和转录: CC0-1.0
• 数据集整理: CC-BY-SA-3.0