mesolitica/IMDA-STT

IMDA国家语音语料库（NSC）语音转文本数据集来源于新加坡的IMDA，包含了大量的语音数据，分为六个部分，每个部分的时长从1052小时到2162小时不等。数据集以mp3格式存储，并使用7z压缩。由于HuggingFace数据集格式在处理大数据集时效率较低，因此选择了直接读取mp3文件的方式。

The Speech-to-Text Dataset of the IMDA National Speech Corpus (NSC) is sourced from IMDA Singapore. It contains a large volume of speech data, divided into six subsets, with each subset ranging from 1052 to 2162 hours in duration. The dataset is stored in MP3 format and compressed using 7z. Given the low efficiency of the HuggingFace dataset format when handling large-scale datasets, the approach of directly reading MP3 files was adopted.

原始信息汇总

数据集概述

数据来源

• 原始数据来自 https://www.imda.gov.sg/how-we-can-help/national-speech-corpus。

数据集性质

• 本仓库为原始数据的镜像。

许可协议

• 数据集遵循新加坡开放数据许可证，详情见 https://www.sla.gov.sg/newsroom/statistics/singapore-open-data-licence。

搜集汇总

背景与挑战

背景概述

该数据集是新加坡国家语音语料库的语音转文本数据集，包含超过287万条英语语音文本对，总时长约10,000小时，数据格式为parquet，主要用于语音识别相关研究。数据集包含WAV/MP3音频文件和对应文本内容，覆盖多种日常生活场景的对话内容。