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）。

Sberdevices Golos is a corpus containing approximately 1,200 hours of 16 kHz Russian speech. The data is sourced from two categories: crowdsourced read speech and far-field speech collected from interactions with smart devices, and it was created and manually annotated by the SberDevices team. The dataset is divided into training and test subsets. The full training subset comprises roughly 1,000 hours of speech data, with supplementary subsets of varying lengths: 100 hours, 10 hours, 1 hour, and 10 minutes. This is a simplified variant of the original Golos dataset, which only includes far-field speech. Its validation subset is derived from the 10-hour training subset, while the training subset for this simplified version is the 100-hour training subset (excluding the 10-hour subset), and the test subset is the complete original test set. This dataset is primarily intended for automatic speech recognition (ASR) tasks, with word error rate (WER) as the official evaluation metric.

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} }