five

SEACrowd/commonvoice_120

收藏
Hugging Face2024-06-24 更新2024-06-29 收录
下载链接:
https://hf-mirror.com/datasets/SEACrowd/commonvoice_120
下载链接
链接失效反馈
官方服务:
资源简介:
Commonvoice 120数据集包含独特的MP3音频文件和相应的文本文件,总计26119小时的录音,其中17127小时已验证,涵盖104种语言。数据集还包括人口统计元数据,如年龄、性别和口音,以帮助提高语音识别引擎的准确性。该数据集支持语音识别和文本到语音的任务。

Commonvoice 120数据集包含独特的MP3音频文件和相应的文本文件,总计26119小时的录音,其中17127小时已验证,涵盖104种语言。数据集还包括人口统计元数据,如年龄、性别和口音,以帮助提高语音识别引擎的准确性。该数据集支持语音识别和文本到语音的任务。
提供机构:
SEACrowd
原始信息汇总

Commonvoice 120 数据集概述

基本信息

  • 名称: Commonvoice 120
  • 许可证: Creative Commons Zero v1.0 Universal (cc0-1.0)
  • 语言:
    • cnh
    • ind
    • tha
    • vie
  • 任务类别:
    • 语音识别
    • 文本转语音

数据集描述

  • 内容: 包含独特的MP3音频文件及其对应的文本文件。
  • 规模:
    • 总时长: 26119小时
    • 验证时长: 17127小时
  • 语言数量: 104种语言
  • 元数据: 包含年龄、性别和口音等人口统计信息,有助于提高语音识别引擎的准确性。

使用方法

使用 datasets

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/commonvoice_120", trust_remote_code=True)

使用 seacrowd

python import seacrowd as sc

加载数据集使用默认配置

dset = sc.load_dataset("commonvoice_120", schema="seacrowd")

检查数据集的所有可用子集(配置名称)

print(sc.available_config_names("commonvoice_120"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

数据集版本

  • 源版本: 1.0.0
  • SEACrowd版本: 2024.06.20

引用

bibtex @inproceedings{commonvoice:2020, author = {Ardila, R. and Branson, M. and Davis, K. and Henretty, M. and Kohler, M. and Meyer, J. and Morais, R. and Saunders, L. and Tyers, F. M. and Weber, G.}, title = {Common Voice: A Massively-Multilingual Speech Corpus}, booktitle = {Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)}, pages = {4211--4215}, year = 2020 }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作