Egyptian-Speech-Clean-MGB3
收藏数据集概述：MGB3-Egyptian-Clean
数据集摘要
本数据集是 MGB-3（多类型广播） 语料库的一个精炼和增强版本，专门针对 埃及阿拉伯语 方言。它经过细致的预处理，通过结合先进的深度学习去噪和自定义的语言文本规范化，使其成为“即用于TTS”的数据集。
数据处理流程
为确保生成性语音任务（如VITS或MMS微调）的最高质量，所有6500个样本均应用了以下步骤：
1. 音频增强（DeepFilterNet 3）
使用 DeepFilterNet 3 进行高速、高保真度的噪声抑制。此阶段去除了背景嘶嘶声、嗡嗡声和非平稳噪声，同时保留了埃及说话者声音的自然特征。
- 目标采样率： 16,000 Hz
- 去噪引擎： 采用等效矩形带宽掩蔽的深度信号滤波。
2. 埃及语文本规范化（语言学）
标准阿拉伯语NLP工具在处理方言特定的数字和表达时常有不足。我们实现了一个自定义的 埃及阿拉伯语规范化器，将非语言标记转换为口语化的“Masri”词汇。这对于文本到语音的一致性至关重要。 规范化器的主要特性：
- 数字转文字： 将数字转换为埃及形式（例如，3 → "تلاتة" 而非 "ثلاثة"）。
- 货币： 支持埃及镑、美元和欧元，并遵循埃及复数规则（例如，"$5" → "خمسة دولار"）。
- 时间与日期： 将“10:30”规范化为“عشرة ونص”，并将日期规范化为埃及序数月份。
- 数学符号： 处理百分比（"في المية"）和范围（"من... لحد"）。
数据集模式
数据集中的每一行包含：
text： 规范化的埃及阿拉伯语转录文本（语音转文字）。original_audio： 原始的MGB-3音频片段。separated_target_audio： 经过清理、去噪的16kHz音频，针对训练进行了优化。
数据集特征与规模
- 特征：
text(dtype: string)original_audio(dtype: audio, sampling_rate: 16000)separated_target_audio(dtype: audio, sampling_rate: 16000)
- 数据拆分：
train拆分：包含 6547 个样本，数据大小 3134731085 字节。
- 下载大小： 3035093603 字节
- 数据集总大小： 3134731085 字节
标签与元数据
- 语言：
ar-EG(arz) - 任务：
text-to-speech,automatic-speech-recognition - 方言：
Egyptian - 处理：
Denoised,Normalized
引用与归属
1. 源仓库（Mohamed Rashad）
本数据集是Mohamed Rashad所托管数据的清理版本，需致谢其收集和托管阿拉伯语MGB-3片段的前期工作：
Mohamed Rashad. (2023). MGB-3 Arabic Dataset for Speech Recognition and Dialect Identification. 地址：https://huggingface.co/datasets/MohamedRashad/MGB-3-Arabic
2. 原始MGB-3挑战（学术引用）
MGB-3数据集最初作为多类型广播挑战的一部分发布。埃及方言部分的标准引用如下： bibtex @inproceedings{mgb3-challenge, title={The third Multi-Genre Broadcast (MGB-3) Arabic Challenge: Recognition and Dialect Identification of Arabic Multi-Genre Broadcast Data}, author={Ali, Ahmed and Bell, Peter and Glass, James and Mabrok, Mohamed and Magdy, Walid and Mubarak, Hamdy and Renals, Steve and Vogel, Stephan}, booktitle={2017 IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)}, pages={611--618}, year={2017}, organization={IEEE} }
3. 软件归属（DeepFilterNet）
bibtex @inproceedings{Schrter2022DeepFilterNet2, title={DeepFilterNet2: Real-Time Speech Enhancement on Mobile Devices for Full-Band Audio}, author={Hendrik Schr{"o}ter and Alberto N. Escalante-B. and Tobias Rosenkranz and Andreas Maier}, booktitle={ICASSP 2022}, year={2022} }
