ESpeech-webinars2

# Webinar Audio Dataset

## Dataset Description

This dataset contains 850 hours processed webinar audio segments with corresponding metadata. Each audio file represents a segment extracted from webinar recordings, processed at 44.1kHz sample rate.

### Dataset Summary

- **Language**: Russian
- **Task**: TTS, ASR, Quality Asessment
- **Audio format**: MP3, 44.1kHz sample rate
- **Structure**: Segmented audio files with JSON metadata

## Dataset Structure

### Data Fields

#### Basic Information
- `audio`: Audio data (44.1kHz sample rate, MP3 format)
- `file_name`: Name of the audio segment file (format: `<original_name>_<idx>.mp3`)
- `segment_index`: Index of the audio segment within the original webinar
- `original_name`: Original name of the webinar recording

#### Transcription and Timing
- `text`: Transcribed text of the audio segment
- `start`: Start time of the segment in seconds
- `end`: End time of the segment in seconds
- `words`: Word-level timestamps and confidence scores

#### Speaker Information
- `speaker`: Speaker identifier (e.g., "SPEAKER_00")

#### Quality Metrics
- `emos_overall`: It's not utmos, it's EMOS overall quality score
- `emos_1`, `emos_2`, `emos_3`: EMOS quality scores
- `noise_confidence`: Noise detection confidence


#### Segment Structure
- `num_sentences`: Number of sentences (for merged segments)
- `original_segments`: Original subsegments data (for merged segments)

#### VAD (Voice Activity Detection)
- `vad_trimmed`: Whether VAD trimming was applied
- `vad_start`: VAD start time
- `trim_ratio`: Ratio of trimmed audio

### Data Splits

- **Train**: All available webinar segments

## Dataset Creation

### Source Data

The dataset consists of webinar recordings that have been processed and segmented. Each webinar is split into multiple audio segments, with each segment saved as a separate MP3 file.

## Usage

### Loading the Dataset

Load all files and unpack using ```cat webinars_stripped_archive.tar.aa webinars_stripped_archive.tar.ab webinars_stripped_archive.tar.ac webinars_stripped_archive.tar.ad webinars_stripped_archive.tar.ae webinars_stripped_archive.tar.af webinars_stripped_archive.tar.ag > webinars_stripped_archive.tar && tar -xf webinars_stripped_archive.tar```

## Additional Information

### Special Thanks

Special thanks to @bethrezen for providing webinars dataset.

### Licensing Information

MIT License - see LICENSE file for details.

### Citation Information

```bibtex
@dataset{webinar_audio_dataset,
title={Webinar Audio Dataset},
authors={Denis Petrov}
year={2025},
url={https://huggingface.co/datasets/ESpeech/ESpeech-webinars2/}
}
```

# 网络研讨会音频数据集（Webinar Audio Dataset）

## 数据集描述
本数据集包含850小时经预处理的网络研讨会音频片段及对应元数据。每个音频文件均为从网络研讨会录制内容中提取的片段，采样率为44.1kHz。

### 数据集概览
- **语言**：俄语（Russian）
- **任务**：文本转语音（Text-to-Speech，TTS）、自动语音识别（Automatic Speech Recognition，ASR）、质量评估
- **音频格式**：MP3，采样率44.1kHz
- **数据结构**：带JSON元数据的分段音频文件

### 数据集结构
#### 数据字段
##### 基础信息
- `audio`：音频数据（采样率44.1kHz，格式为MP3）
- `file_name`：音频片段文件名（格式为`<original_name>_<idx>.mp3`）
- `segment_index`：音频片段在原始网络研讨会录制内容中的索引
- `original_name`：网络研讨会录制内容的原始文件名

##### 转录与时序信息
- `text`：音频片段的转写文本
- `start`：音频片段的起始时间（单位：秒）
- `end`：音频片段的结束时间（单位：秒）
- `words`：单词级时序与置信度得分

##### 说话人信息
- `speaker`：说话人标识符（例如："SPEAKER_00"）

##### 质量指标
- `emos_overall`：并非UTMOS，而是EMOS整体质量得分
- `emos_1`、`emos_2`、`emos_3`：EMOS质量得分
- `noise_confidence`：噪声检测置信度


##### 片段结构
- `num_sentences`：句子数量（适用于合并后的片段）
- `original_segments`：原始子片段数据（适用于合并后的片段）

##### 语音活动检测（Voice Activity Detection，VAD）
- `vad_trimmed`：是否已应用VAD修剪
- `vad_start`：VAD起始时间
- `trim_ratio`：音频修剪比例

### 数据划分
- **训练集**：全部可用的网络研讨会音频片段

## 数据集构建
### 源数据
本数据集由经预处理与分段的网络研讨会录制内容组成。每个网络研讨会被拆分为多个音频片段，每个片段均保存为独立的MP3文件。

## 使用方法
### 数据集加载
可通过以下命令合并并解压所有文件：
cat webinars_stripped_archive.tar.aa webinars_stripped_archive.tar.ab webinars_stripped_archive.tar.ac webinars_stripped_archive.tar.ad webinars_stripped_archive.tar.ae webinars_stripped_archive.tar.af webinars_stripped_archive.tar.ag > webinars_stripped_archive.tar && tar -xf webinars_stripped_archive.tar

## 附加信息
### 特别致谢
特别感谢@bethrezen 提供本网络研讨会数据集。

### 授权信息
采用MIT许可证，详细信息请参见LICENSE文件。

### 引用信息
bibtex
@dataset{webinar_audio_dataset,
title={Webinar Audio Dataset},
authors={Denis Petrov}
year={2025},
url={https://huggingface.co/datasets/ESpeech/ESpeech-webinars2/}
}