abdusah/masc_dev

--- annotations_creators: - crowdsourced language_creators: - crowdsourced language: - ar license: - cc-by-nc-4.0 multilinguality: [] paperswithcode_id: [] pretty_name: 'MASC' size_categories: source_datasets: [] task_categories: [] task_ids: [] --- # Dataset Card for MASC: MASSIVE ARABIC SPEECH CORPUS ## Table of Contents - [Table of Contents](#table-of-contents) - [Dataset Description](#dataset-description) - [Dataset Summary](#dataset-summary) - [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards) - [Languages](#languages) - [Dataset Structure](#dataset-structure) - [Data Instances](#data-instances) - [Data Fields](#data-fields) - [Data Splits](#data-splits) - [Dataset Creation](#dataset-creation) - [Curation Rationale](#curation-rationale) - [Source Data](#source-data) - [Annotations](#annotations) - [Personal and Sensitive Information](#personal-and-sensitive-information) - [Considerations for Using the Data](#considerations-for-using-the-data) - [Social Impact of Dataset](#social-impact-of-dataset) - [Discussion of Biases](#discussion-of-biases) - [Other Known Limitations](#other-known-limitations) - [Additional Information](#additional-information) - [Dataset Curators](#dataset-curators) - [Licensing Information](#licensing-information) - [Citation Information](#citation-information) - [Contributions](#contributions) ## Dataset Description - **Homepage:** https://ieee-dataport.org/open-access/masc-massive-arabic-speech-corpus - **Repository:** - **Paper:** https://dx.doi.org/10.21227/e1qb-jv46 - **Leaderboard:** - **Point of Contact:** ### Dataset Summary This corpus is a dataset that contains 1,000 hours of speech sampled at 16~kHz and crawled from over 700 YouTube channels. MASC is multi-regional, multi-genre, and multi-dialect dataset that is intended to advance the research and development of Arabic speech technology with the special emphasis on Arabic speech recognition ### Supported Tasks and Leaderboards [More Information Needed] ### Languages Multi-dialect Arabic ## Dataset Structure ### Data Instances [More Information Needed] ### Data Fields #### masc_dev - speech - sampling_rate - target_text (label) ### Data Splits #### masc_dev - train: 100 - test: 40 ## Dataset Creation ### Curation Rationale [More Information Needed] ### Source Data #### Initial Data Collection and Normalization [More Information Needed] #### Who are the source language producers? [More Information Needed] ### Annotations #### Annotation process [More Information Needed] #### Who are the annotators? [More Information Needed] ### Personal and Sensitive Information [More Information Needed] ## Considerations for Using the Data ### Social Impact of Dataset [More Information Needed] ### Discussion of Biases [More Information Needed] ### Other Known Limitations [More Information Needed] ## Additional Information Note: this is a small development set for testing. ### Dataset Curators [More Information Needed] ### Licensing Information CC 4.0 ### Citation Information [More Information Needed] ### Contributions Mohammad Al-Fetyani, Muhammad Al-Barham, Gheith Abandah, Adham Alsharkawi, Maha Dawas, August 18, 2021, "MASC: Massive Arabic Speech Corpus", IEEE Dataport, doi: https://dx.doi.org/10.21227/e1qb-jv46.annotations_creators: - 众包 language_creators: - 众包 language: - 阿拉伯语（ar） license: - CC BY-NC 4.0 multilinguality: [] paperswithcode_id: [] pretty_name: 'MASC' size_categories: source_datasets: [] task_categories: [] task_ids: [] # MASC数据集卡片：大规模阿拉伯语语音语料库 ## 目录 - [目录](#目录) - [数据集描述](#数据集描述) - [数据集概述](#数据集概述) - [支持任务与排行榜](#支持任务与排行榜) - [语言](#语言) - [数据集结构](#数据集结构) - [数据实例](#数据实例) - [数据字段](#数据字段) - [数据划分](#数据划分) - [数据集构建](#数据集构建) - [数据集遴选依据](#数据集遴选依据) - [源数据](#源数据) - [标注信息](#标注信息) - [个人与敏感信息](#个人与敏感信息) - [数据集使用注意事项](#数据集使用注意事项) - [数据集的社会影响](#数据集的社会影响) - [偏差讨论](#偏差讨论) - [其他已知局限性](#其他已知局限性) - [附加信息](#附加信息) - [数据集策展人](#数据集策展人) - [许可证信息](#许可证信息) - [引用信息](#引用信息) - [贡献者](#贡献者) ## 数据集描述 - **主页:** https://ieee-dataport.org/open-access/masc-massive-arabic-speech-corpus - **代码仓库:** - **论文:** https://dx.doi.org/10.21227/e1qb-jv46 - **排行榜:** - **联系人:** ### 数据集概述 该语料库为包含1000小时语音的数据集，语音采样率为16kHz，数据爬取自700余个YouTube频道。MASC是一个多区域、多体裁、多方言的数据集，旨在推动阿拉伯语语音技术的研究与开发，尤其侧重阿拉伯语语音识别方向的进展。 ### 支持任务与排行榜 [需补充更多信息] ### 语言 多方言阿拉伯语 ## 数据集结构 ### 数据实例 [需补充更多信息] ### 数据字段 #### masc_dev - 语音 - 采样率 - 目标文本（标签） ### 数据划分 #### masc_dev - 训练集: 100 - 测试集: 40 ## 数据集构建 ### 数据集遴选依据 [需补充更多信息] ### 源数据 #### 初始数据收集与归一化 [需补充更多信息] #### 源语言数据生产者是谁？ [需补充更多信息] ### 标注信息 #### 标注流程 [需补充更多信息] #### 标注者是谁？ [需补充更多信息] ### 个人与敏感信息 [需补充更多信息] ## 数据集使用注意事项 ### 数据集的社会影响 [需补充更多信息] ### 偏差讨论 [需补充更多信息] ### 其他已知局限性 [需补充更多信息] ## 附加信息 注：本数据集为用于测试的小型开发集。 ### 数据集策展人 [需补充更多信息] ### 许可证信息 CC 4.0 ### 引用信息 [需补充更多信息] ### 贡献者 Mohammad Al-Fetyani、Muhammad Al-Barham、Gheith Abandah、Adham Alsharkawi、Maha Dawas，2021年8月18日，“MASC：大规模阿拉伯语语音语料库”，IEEE Dataport，doi: https://dx.doi.org/10.21227/e1qb-jv46。

原始信息汇总

数据集概述

数据集基本信息

• 名称: MASC (Massive Arabic Speech Corpus)
• 语言: 多口音阿拉伯语
• 许可证: CC-BY-NC-4.0
• 创建者: 众包

数据集描述

数据集摘要

• 描述: 包含1,000小时的16 kHz采样语音数据，来自超过700个YouTube频道。该数据集旨在推动阿拉伯语音技术，特别是阿拉伯语音识别的研究和开发。
• 特点: 多地区、多类型、多口音。

数据集结构

数据实例

• 详细信息: 待补充

数据字段

• masc_dev:
  • speech: 语音数据
  • sampling_rate: 采样率
  • target_text (label): 目标文本（标签）

数据分割

• masc_dev:
  • train: 100
  • test: 40

数据集创建

来源数据

• 初始数据收集和标准化: 待补充
• 源语言生产者: 待补充

注释

• 注释过程: 待补充
• 注释者: 待补充

个人和敏感信息

• 详细信息: 待补充

使用数据集的考虑因素

数据集的社会影响

• 详细信息: 待补充

讨论偏见

• 详细信息: 待补充

其他已知限制

• 详细信息: 待补充

附加信息

数据集管理者

• 详细信息: 待补充

许可证信息

• 许可证: CC 4.0

引用信息

• 详细信息: 待补充

贡献者

• 贡献者: Mohammad Al-Fetyani, Muhammad Al-Barham, Gheith Abandah, Adham Alsharkawi, Maha Dawas
• 日期: August 18, 2021
• 数据集名称: MASC: Massive Arabic Speech Corpus
• DOI: https://dx.doi.org/10.21227/e1qb-jv46