humyn-labs/LATAM-High-Fidelity-ASR

---
dataset_info:
features:
- name: language
dtype: string
- name: file_name
dtype: string
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: transcript_json
dtype: string
- name: type
dtype: string
splits:
- name: train
num_bytes: 1393845879
num_examples: 28
download_size: 1011490115
dataset_size: 1393845879
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
language:
- es
- pt
tags:
- conversational_speech
- multi-speaker
- ASR
- LATAM-languages
size_categories:
- n<1K
license: cc-by-4.0
task_categories:
- automatic-speech-recognition
---
## Dataset Overview

This dataset contains high-quality conversational audio samples curated for **Automatic Speech Recognition** tasks in Spanish variants and Portugese.

The dataset includes:

* Paired **audio + transcripts**
* Natural, non-scripted conversational speech
* Single Speaker & Dual-speaker interactions

### Audio Specifications

* **Sampling Rate:** 16 kHz – 24 kHz
* **Bit Depth:** 16-bit
* **Audio Type:** Non-scripted conversational speech

---

## Supported Languages

| Language |
| ------------------------ |
| Spanish- Peru |
| Spanish- Venezuela |
| Spanish- Argentina |
| Portugese (Brazil) |

---

## Speaker Representation

* Natural, spontaneous dialogue
* Balanced gender representation

---

# Dataset Creation Methodology

## Data Collection

Speech data was collected from native speakers across diverse regions:

* **Spanish – Peru**: Urban and semi-urban communities with regional dialect coverage.
* **Spanish – Venezuela**: Metro and non-metro regions reflecting standard and colloquial usage.
* **Spanish – Argentina**: Cross-regional accent variation, including voseo and phonetic nuances.
* **Portuguese – Brazil**: Cross-regional accents with a balance of formal and informal speech.

This ensured:

* Accent diversity
* Natural conversational flow
* Real-world dialogue patterns

---

## Recording Setup

* Non-scripted, dual-speaker conversations
* Duration: **10–30 minutes per recording**
* Topics include:

* Business
* Finance
* Politics
* Everyday life discussions
* Social topics

---

## Transcription Process

* Manual transcription by native speakers
* Reviewed for linguistic accuracy
* Preserves:
* Conversational fillers
* Natural pauses

---

# Dataset Intended Purpose

## Intended Uses

This dataset is designed for:

* Training and fine-tuning **Automatic Speech Recognition** models
* Conversational ASR benchmarking
* Speaker turn detection and interruption modeling
* Informal speech modeling
* Conversational AI research
* Academic and open-source research

---

## Out-of-Scope Uses

This dataset is **not intended for**:

* Safety-critical or real-time production systems without additional validation
* Commercial deployment without proper attribution and compliance with **CC BY 4.0**
* Medical, clinical, legal, or diagnostic applications

---

# License

This dataset is released under the **Creative Commons Attribution 4.0 International (CC BY 4.0)** license.

---

# 📬 Contact

For dataset-related queries, please contact:
**[[[e-mail]](mailto:[e-mail])]**

数据集信息：
特征字段：
- 名称：language，数据类型：字符串
- 名称：file_name，数据类型：字符串
- 名称：audio，数据类型为音频格式：采样率16000
- 名称：transcript_json，数据类型：字符串
- 名称：type，数据类型：字符串
数据集划分：
- 划分名称：train（训练集），字节数：1393845879，样本数量：28
下载大小：1011490115
数据集总大小：1393845879
配置项：
- 配置名称：default（默认配置），数据文件：
- 划分：train（训练集），路径：data/train-*
支持语言：
- es（西班牙语）
- pt（葡萄牙语）
标签：
- 对话语音（conversational_speech）
- 多说话人（multi-speaker）
- 自动语音识别（ASR, Automatic Speech Recognition）
- 拉美语言（LATAM-languages）
样本规模类别：n<1K（样本量小于1000）
许可证：cc-by-4.0（知识共享署名4.0）
任务类别：自动语音识别（automatic-speech-recognition）

---
## 数据集概览

本数据集包含为西班牙语变体与葡萄牙语环境下**自动语音识别（Automatic Speech Recognition）**任务精心整理的高质量对话音频样本。

数据集包含以下内容：
* 配对的**音频与转录文本**
* 自然无脚本的对话语音
* 单说话人与双说话人交互场景

---
## 音频规格

* **采样率：16 kHz – 24 kHz**
* **位深度：16位**
* **音频类型：非脚本化对话语音**

---
## 支持语言

| 语言名称 |
| ------------------------ |
| 西班牙语（秘鲁） |
| 西班牙语（委内瑞拉） |
| 西班牙语（阿根廷） |
| 葡萄牙语（巴西） |

---
## 说话人表征

* 自然自发的对话内容
* 性别分布均衡

---
## 数据集构建方法
### 数据采集

语音数据采集自不同地区的母语使用者：
* **西班牙语（秘鲁）**：覆盖城乡社区，涵盖区域方言变体。
* **西班牙语（委内瑞拉）**：覆盖大都会与非大都会区域，兼顾标准语与口语表达。
* **西班牙语（阿根廷）**：包含跨区域口音差异，涵盖voseo与语音细节特征。
* **葡萄牙语（巴西）**：覆盖跨区域口音，兼顾正式与非正式口语表达。

此举旨在确保：
* 口音多样性
* 自然的对话流畅性
* 真实的对话场景模式

---
## 录制设置

* 无脚本双说话人对话
* 单段录制时长：**10–30分钟**
* 对话主题涵盖：
* 商务
* 金融
* 政治
* 日常生活讨论
* 社会议题

---
## 转录流程

* 由母语使用者进行人工转录
* 经过语言准确性校验
* 保留以下内容：
* 对话填充词
* 自然停顿

---
## 数据集预期用途
### 允许使用场景

本数据集旨在用于：
* 训练与微调**自动语音识别（Automatic Speech Recognition）**模型
* 对话式自动语音识别基准测试
* 说话人轮次检测与打断建模
* 非正式语音建模
* 对话式AI（Conversational AI）研究
* 学术与开源研究

---
### 禁用使用场景

本数据集**不适合用于**：
* 未经过额外验证的安全关键型或实时生产系统
* 未遵守**CC BY 4.0（知识共享署名4.0国际通用协议）**进行署名与合规的商业部署
* 医疗、临床、法律或诊断类应用

---
## 许可证

本数据集采用**知识共享署名4.0国际通用（CC BY 4.0）**许可证发布。

---
## 📬 联系方式

如有数据集相关疑问，请联系：
**[[[e-mail]](mailto:[e-mail])]**