bond005/sberdevices_golos_100h_farfield

Sberdevices Golos是一个包含约1200小时16kHz俄语语音的语料库，数据来源于众包平台（朗读语音）和远场域（与智能设备交互的语音），由SberDevices团队创建并手动注释。数据集分为训练和测试子集，训练子集包括约1000小时的语音数据，并提供了100小时、10小时、1小时和10分钟的不同长度子集。该数据集是Golos的简化版本，仅包含远场域语音，验证子集基于10小时的训练子集，训练子集为100小时的训练子集（不包括10小时子集），测试子集为完整的原始测试集。数据集主要用于自动语音识别（ASR）任务，评估指标为词错误率（WER）。

原始信息汇总

数据集概述

数据集名称

• 名称: Sberdevices Golos
• 别名: sberdevices_golos_100h_farfield

数据集基本信息

• 语言: 俄语 (ru)
• 许可证: 其他
• 多语言性: 单语
• 大小: 10K<n<100k
• 任务类别: 自动语音识别 (automatic-speech-recognition), 音频分类 (audio-classification)
• 来源数据集: 扩展
• 论文代码链接: Golos: Russian Dataset for Speech Research

数据集详细描述

• 概述: Sberdevices Golos是一个包含约1200小时16kHz俄语语音的数据集，来自人群（阅读语音）和远场（与智能设备通信）领域。数据来源于众包平台，并经过人工标注。
• 数据结构: 数据集分为训练和测试子集。训练子集约1000小时。此外，还提供了不同长度的训练子集：100小时、10小时、1小时、10分钟。
• 简化版本: 此数据集是原始Golos的简化版本，仅包含远场域的数据，验证分割基于10小时训练子集，训练分割对应于100小时训练子集（不包含10小时训练子集的声音），测试分割是完整的原始测试分割。

数据集结构

• 数据实例: 每个数据点包括音频数据和其转录文本。
• 数据字段:
  • 音频: 包含音频文件路径、解码后的音频数组和采样率。
  • 转录文本: 音频文件的转录文本。
• 数据分割: 训练集、验证集和测试集的示例数量和时长。

数据集创建

• 创建者: Alexander Denisenko, Angelina Kovalenko, Fedor Minkin, Nikolay Karpov
• 标注过程: 所有录音文件在众包平台上进行人工标注。
• 许可证: 公共许可证，需遵守特定条件和归属要求

使用注意事项

• 个人敏感信息: 数据集包含捐赠声音的个人，使用时不得尝试确定说话者的身份。

引用信息

@misc{karpov2021golos, author = {Karpov, Nikolay and Denisenko, Alexander and Minkin, Fedor}, title = {Golos: Russian Dataset for Speech Research}, publisher = {arXiv}, year = {2021}, url = {https://arxiv.org/abs/2106.10161} }