ai4bharat/Shrutilipi

Shrutilipi是一个包含12种印度语言的标注自动语音识别(ASR)语料库，通过挖掘全印度电台新闻简报中的音频和文本对而构建。该语料库支持的语言包括孟加拉语、古吉拉特语、印地语、卡纳达语、马来语、马拉地语、奥里亚语、旁遮普语、梵语、泰米尔语、泰卢固语和乌尔都语。它包含了超过6400小时的数据，并以CC BY 4.0许可证发布。

Shrutilipi is an annotated automatic speech recognition (ASR) corpus for 12 Indian languages, constructed by mining audio and text pairs from All India Radio news bulletins. The supported languages include Bengali, Gujarati, Hindi, Kannada, Malayalam, Marathi, Odia, Punjabi, Sanskrit, Tamil, Telugu, and Urdu. It contains over 6400 hours of data and is released under the CC BY 4.0 license.

搜集汇总

背景与挑战

背景概述

Shrutilipi是一个标注的自动语音识别（ASR）语料库，从印度全印广播电台的新闻公告中挖掘音频和文本对，覆盖12种印度语言，总数据量超过6400小时。该数据集旨在支持低资源语言的ASR系统改进，具有多语言、大规模和公开可访问的特点，适用于语音处理和机器学习研究。