SponSpeech是由滑铁卢大学、纽约识别技术公司和哥伦比亚大学共同创建的一个用于标点恢复的数据集，主要来源于非正式的语音源，如播客。该数据集包含665小时的语音数据，涵盖了147,209条训练样本、25,253条验证样本、17,697条测试样本和16,473条具有标点模糊性的测试样本。数据集的创建过程包括从YouTube视频中提取音频和字幕，并通过一系列过滤器确保数据的质量和适用性。SponS

arXiv2024-09-17 更新320

tiagoblima/punctuation-mec-bert

标点恢复

自然语言处理

--- dataset_info: features: - name: tag dtype: string - name: sent_id dtype: int64 - name: text_id dtype: int64 - name: sent_text dtype: string - name: tokens sequence:

Hugging Face2023-02-22 更新160

BertPunc

资源简介：

相关数据集