Vaani

Project Vaani, by IISc, Bangalore and ARTPARK, is capturing the true diversity of India’s spoken languages to propel language AI technologies and content for an inclusive Digital India.
We expect to create data corpora of over 150,000 hours of speech, part of which will be transcribed in local scripts, while ensuring linguistic, educational, urban-rural, age, and gender diversity (among other potential diversity characteristics). These diligently collected and curated datasets of natural… See the full description on the dataset page: https://huggingface.co/datasets/ARTPARK-IISc/Vaani.

由印度理工学院班加罗尔分校（IISc, Bangalore）和ARTPARK共同发起的Vaani项目，旨在捕捉印度口语语言的丰富多样性，以推动语言人工智能技术和包容性数字印度的内容发展。我们预期将创建超过15万小时的语音数据集，其中部分语音将以当地文字进行转录，同时确保语言、教育背景、城乡、年龄和性别（以及其他潜在的多样性特征）的多样性。这些经过精心收集和整理的自然语言数据集……请访问数据集页面查看完整描述：https://huggingface.co/datasets/ARTPARK-IISc/Vaani。

搜集汇总

背景与挑战

背景概述

Vaani是一个代表印度的多模态多语言数据集，包含约31,255小时的自发语音和288K图像，覆盖165个地区的106种语言，其中2,043小时已转录为文本。该数据集旨在捕捉印度语言的多样性，以推动语言AI技术发展，支持包容性数字印度倡议。