pain/MASC

MASC数据集包含1000小时的语音数据，采样率为16 kHz，这些数据是从700多个YouTube频道中爬取的。该数据集是多区域、多类型和多方言的，旨在推动阿拉伯语语音技术的研究和开发，特别是阿拉伯语语音识别。

The MASC dataset contains 1,000 hours of speech data with a sampling rate of 16 kHz, which was crawled from over 700 YouTube channels. This dataset is multi-regional, multi-type and multi-dialectal, aiming to advance the research and development of Arabic speech technologies, particularly Arabic speech recognition.

原始信息汇总

数据集概述

数据集名称

• 名称: MASC dataset
• 别名: Massive Arabic Speech Corpus

数据集内容

• 类型: 语音数据集
• 规模: 包含1,000小时的语音数据，采样率为16 kHz
• 来源: 从超过700个YouTube频道收集
• 特点: 多区域、多类型、多方言，专注于阿拉伯语音技术的研究和开发，特别是阿拉伯语音识别

数据集使用

• 加载方式: 使用datasets库的load_dataset函数进行加载，支持本地加载和流式加载
• 示例代码: python from datasets import load_dataset masc = load_dataset("pain/MASC", split="train")

数据集结构

• 数据实例: 每个数据点包含音频文件的路径和对应的文本
• 数据字段:
  • video_id: 视频ID
  • start: 音频片段开始时间
  • end: 音频片段结束时间
  • duration: 片段时长
  • text: 片段文本
  • audio: 音频信息，包括路径、数组和采样率
  • type: 数据集类型（清洁或噪声）
  • file_path: 音频片段路径

数据集语言

• 语言: 阿拉伯语

引用信息

@INPROCEEDINGS{10022652, author={Al-Fetyani, Mohammad and Al-Barham, Muhammad and Abandah, Gheith and Alsharkawi, Adham and Dawas, Maha}, booktitle={2022 IEEE Spoken Language Technology Workshop (SLT)}, title={MASC: Massive Arabic Speech Corpus}, year={2023}, pages={1006-1013}, doi={10.1109/SLT54892.2023.10022652} }

搜集汇总

背景与挑战

背景概述

MASC是一个包含1000小时阿拉伯语语音的大规模数据集，具有多地区、多类型和多方言特点，主要用于阿拉伯语语音识别研究。数据集支持自动语音识别任务，采用CC-BY-4.0许可协议。