olympusmons/librispeech_asr_test_clean_word_timestamp

---
license: apache-2.0
dataset_info:
features:
- name: text
dtype: string
- name: words
list:
- name: end
dtype: int64
- name: start
dtype: int64
- name: text
dtype: string
- name: audio
dtype:
audio:
sampling_rate: 16000
splits:
- name: train
num_bytes: 354796679.02
num_examples: 2620
download_size: 351020954
dataset_size: 354796679.02
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
task_categories:
- automatic-speech-recognition
language:
- en
tags:
- asr
- librispeech
- timestamp
- librispeech_asr
- automatic_speech_recognition
size_categories:
- 1K<n<10K
---
# Word-level timestamp annotated Librispeech ASR test set

This dataset contains word-level timestamp information for the Librispeech ASR test (clean) dataset.

It contains 2620 short files that have been force-aligned with its text to get reasonably accurate word-level timestamp information.

Suitable for use in timestamp benchmarking of ASR models or audio dataset preprocessing.

To request access to more datasets like this, please fill out this form: https://forms.gle/n6cwAfYD9sUTZURY9.

## Usage

```
from datasets import load_dataset

dataset = load_dataset("olympusmons/librispeech_asr_test_clean_word_timestamp")
print(dataset)
```

许可证：Apache-2.0
数据集信息：
特征：
- 名称：text
数据类型：字符串
- 名称：words
类型为列表，包含：
- 名称：end
数据类型：int64
- 名称：start
数据类型：int64
- 名称：text
数据类型：字符串
- 名称：audio
数据类型为音频格式：
采样率：16000 Hz
划分集：
- 名称：训练集
字节数：354796679.02
样本数：2620
下载大小：351020954
数据集总大小：354796679.02
配置项：
- 配置名称：default
数据文件：
- 划分集：训练集
路径：data/train-*
任务类别：
- 自动语音识别（Automatic Speech Recognition，简称ASR）
语言：
- 英语
标签：
- ASR
- Librispeech
- 时间戳（timestamp）
- librispeech_asr
- automatic_speech_recognition
大小类别：
- 1K<n<10K

# 带词级时间戳标注的Librispeech ASR测试集

本数据集为Librispeech ASR（Librispeech自动语音识别）干净版测试集提供词级时间戳标注信息。
数据集包含2620条短音频文件，通过将音频与其对应文本进行强制对齐，以获取精度较为可靠的词级时间戳数据。
本数据集适用于ASR模型的时间戳基准测试，或音频数据集的预处理工作。

如需获取更多同类数据集，请填写以下表单：https://forms.gle/n6cwAfYD9sUTZURY9。

## 使用方法

from datasets import load_dataset

dataset = load_dataset("olympusmons/librispeech_asr_test_clean_word_timestamp")
print(dataset)

原始信息汇总

数据集概述

基本信息

• 许可证: Apache 2.0
• 语言: 英语
• 标签: asr, librispeech, timestamp, librispeech_asr, automatic_speech_recognition
• 大小分类: 1K<n<10K

数据集详情

• 特征:
  • text: 字符串类型
  • words: 列表类型，包含以下子特征:
    • end: 整数类型 (int64)
    • start: 整数类型 (int64)
    • text: 字符串类型
  • audio: 音频类型，采样率为16000
• 分割:
  • train: 包含2620个样本，数据大小为354796679.02字节
• 配置:
  • default: 包含训练数据文件路径 data/train-*

任务类别

• 自动语音识别 (automatic-speech-recognition)

描述

该数据集包含Librispeech ASR测试（clean）数据集的单词级时间戳信息。它包含2620个短文件，这些文件已与其文本进行强制对齐，以获得合理准确的单词级时间戳信息。适用于ASR模型的时间戳基准测试或音频数据集预处理。

搜集汇总

背景与挑战

背景概述

该数据集是Librispeech ASR测试（clean）集的单词级时间戳版本，包含2620个短音频文件及其文本，通过强制对齐技术生成了精确的单词时间戳信息。它专为自动语音识别（ASR）模型的时间戳基准测试和音频数据预处理设计，采用parquet格式，语言为英语，规模适中，适用于研究和开发场景。