CORAA

CORAA是巴西葡萄牙语自动语音识别 (ASR) 的公开数据集，包含290.77小时的音频及其各自的转录 (400k分段音频)。该数据集由5个原始项目的音频组成:
阿利普 (贡萨尔维斯，2019)
巴西口服 (拉索和梅洛，2012)
NURC-累西腓 (小奥利维埃拉，2016)
SP-2010 (门德斯和大四郎，2012)
TEDx会谈 (葡萄牙语会谈)
音频要么由注释者验证，要么针对ASR任务首次转录。

CORAA is a public dataset for Brazilian Portuguese automatic speech recognition (ASR), containing 290.77 hours of audio and their corresponding transcriptions, with a total of 400,000 segmented audio clips. This dataset comprises audio from five original projects:
1. Alip (Gonçalves, 2019)
2. Brasil Oral (Lasso and Melo, 2012)
3. NURC-Recife (de Oliveira Júnior, 2016)
4. SP-2010 (Mendes and Dalang, 2012)
5. TEDx Talks (Portuguese-language talks)

All audio in the dataset is either verified by annotators or first transcribed specifically for the ASR task.

搜集汇总

背景与挑战

背景概述

CORAA是一个用于巴西葡萄牙语自动语音识别（ASR）的公开数据集，包含290.77小时的音频及其转录，涉及400k分段音频，音频来自5个原始项目并经过验证。该数据集由圣保罗大学等机构于2022年发布。