scribe-project/npsc_nb

这是挪威议会语音语料库（NPSC）的Bokmål部分，用于训练和测试STORTINGET模型，并且只包含长度小于15秒的片段。数据集的语言是挪威Bokmål。数据集的创建过程包括从挪威语言银行获取数据，并使用Spraakbanken下载器和标准化脚本进行处理。数据集的许可信息为CC0，并提供了引用信息。

原始信息汇总

数据集概述

数据集名称

NPSC Bokmål (< 15 sec. segments)

数据集特征

• speaker_id: 字符串
• gender: 字符串
• utterance_id: 字符串
• language: 字符串
• raw_text: 字符串
• full_audio_file: 字符串
• original_data_split: 字符串
• region: 字符串
• duration: 浮点数
• start: 浮点数
• end: 浮点数
• utterance_audio_file: 音频
• standardized_text: 字符串

数据集分割

• train: 40008个样本，8190809957.84字节
• test: 5044个样本，1026553338.856字节
• validation: 5461个样本，1097030649.769字节

数据集大小

• 下载大小: 10261847599字节
• 数据集总大小: 10314393946.465字节

语言

• 挪威语 Bokmål

许可证

• CC0

引用信息

@inproceedings{ solberg2023improving, title={Improving Generalization of Norwegian {ASR} with Limited Linguistic Resources}, author={Per Erik Solberg and Pablo Ortiz and Phoebe Parsons and Torbj{o}rn Svendsen and Giampiero Salvi}, booktitle={The 24rd Nordic Conference on Computational Linguistics}, year={2023} }