test-y
收藏资源简介：
LangPipe ASR数据集（test-y）是一个用于自动语音识别（ASR）和语音处理研究的音频转录数据集。它包含1000个乌克兰语短音频片段及其对应的文本转录，并提供了丰富的元数据标注，包括音频基本属性（如时长、信噪比、响度）、质量评估标签、语音活动检测（静音比、语音比）、语言信息（音频语言、文本语言、语码转换检测及类型）、说话人相关数据（匿名说话人标签、说话人索引、相似度）以及语音内容分析（如填充词检测与标注、不文明用语检测与统计）。这些元数据使得数据集不仅适用于基础ASR模型训练与评估，还特别适合语音质量分析、多语言及语码转换语音研究、话语不流利性（如填充词）分析、说话人相关研究等更广泛的语音处理任务。数据集采用CC BY 4.0许可证发布，用户可通过Hugging Face数据集查看器直接收听音频样本。
The LangPipe ASR dataset (test-y) is an audio transcription dataset designed for automatic speech recognition (ASR) and speech processing research. It contains 1000 short Ukrainian audio clips with corresponding text transcriptions, accompanied by rich metadata annotations. Each sample includes core data such as 16kHz sampled audio files (the audio field) and transcription text (the transcription field). Additionally, the dataset provides numerous auxiliary analysis features, including basic audio attributes (e.g., duration, signal-to-noise ratio, loudness), quality assessment labels, speech activity detection (silence ratio, speech ratio), language information (audio language, text language, code-switching detection and types), speaker-related data (anonymous speaker labels, speaker indices, similarity), and speech content analysis (e.g., filler word detection and annotation, offensive language detection and statistics). These detailed metadata make the dataset suitable not only for basic ASR model training and evaluation but also for broader speech processing tasks such as speech quality analysis, multilingual and code-switching speech research, disfluency analysis (e.g., filler words), and speaker-related studies. The dataset is released under the CC BY 4.0 license, and users can directly listen to audio samples via the Hugging Face dataset viewer.
数据集概述
数据集名称：LangPipe ASD 数据集 (HuggingFace 名称: Yehor/test-y)
许可证：Creative Commons Attribution 4.0 International (CC-BY-4.0)
主要语言：乌克兰语
数据集大小：少于 1,000 个样本
任务类别：自动语音识别、音频分类
标签：音频、语音、自动语音识别、说话人日记化、数据集
数据集结构
数据集包含一个训练划分（train），共 1,000 个样本。
| 划分 | 样本数量 |
|---|---|
| train | 1,000 |
数据特征
数据集包含丰富的音频和文本特征，具体如下：
- audio：音频样本，采样率为 16 kHz。
- transcription：音频的文本转录。
- transcription_original：原始文本转录。
- turns：说话人轮次信息列表，包含以下字段：
speaker（说话人标签）speaker_index（说话人索引）start（开始时间）end（结束时间）text（该轮次文本）
- has_pii：是否包含个人身份信息（布尔值）。
- num_pii_objects：个人身份信息对象的数量。
- duration：音频时长（秒）。
- speech_rms_dbfs：语音响度估计（dBFS）。
- noise_rms_dbfs：噪声响度估计（dBFS）。
- snr_db：信噪比估计值。
- quality：音频样本质量标签。
- silence_ratio：静音比例。
- speech_ratio：语音比例。
- fillers：检测到的填充词或话语标记列表，包含以下字段：
label（标签）language（语言）kind（类型）start（开始时间）end（结束时间）confidence（置信度）
- filler_count：检测到的填充词数量。
- obscene：检测到的冒犯性词汇列表，包含以下字段：
term（词条）matched（匹配内容）language（语言）start（开始时间）end（结束时间）confidence（置信度）
- obscene_count：检测到的冒犯性词汇数量。
- code_switching：是否检测到语码转换（布尔值）。
- code_switching_type：语码转换类型（如有）。
- code_switching_confidence：语码转换检测的置信度。
- code_switching_primary_language：检测到的主要语言。
- code_switching_secondary_language：检测到的次要语言（如有）。
- audio_language：音频中检测到的语言。
- text_language：转录文本中检测到的语言。
- speaker：匿名化说话人标签。
- speaker_index：说话人数字索引。
- speaker_similarity：说话人相似性得分。
- source_file：源文件。
- loudness_lufs：响度（LUFS）。
- loudness_range_lu：响度范围（LU）。
- true_peak_dbtp：真实峰值（dBTP）。
- chunk_start：音频块开始时间。
- chunk_end：音频块结束时间。
预期用途
该数据集适用于以下研究和应用场景：
- 自动语音识别（ASR）
- 音频转录研究
- 语音质量分析
- 多语言及语码转换语音实验
- 填充词及语音不流畅性分析
