aaparajit02/punjabi-asr

Shrutilipi是一个标记的自动语音识别（ASR）语料库，通过从全印度广播新闻公告中挖掘平行音频和文本对获得，涵盖了12种印度语言：孟加拉语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、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。该语料库在所有语言中拥有超过6400小时的数据。

Shrutilipi is a labeled automatic speech recognition (ASR) corpus constructed by mining parallel audio-text pairs from All India Radio news bulletins. It covers 12 Indian languages, namely Bengali, Gujarati, Hindi, Kannada, Malayalam, Marathi, Odia, Punjabi, Sanskrit, Tamil, Telugu, and Urdu. The corpus contains more than 6400 hours of data across all these languages.

原始信息汇总

数据集概述

基本信息

• 名称: Punjabi ASR
• 别名: Shrutilipi
• 任务类别: 自动语音识别 (ASR)
• 语言: 旁遮普语 (pa)
• 标签: 旁遮普语, ASR, 转录, 翻译
• 美观名称: Punjabi ASR

数据集特征

• 音频: 数据类型为音频
• 转录文本: 数据类型为字符串
• 英文文本: 数据类型为字符串

数据集划分

• 训练集:
  • 示例数量: 39238
  • 数据大小: 10917088956.322 字节

数据集大小

• 下载大小: 10866820110 字节
• 数据集总大小: 10917088956.322 字节

数据集来源

• 来源: 从All India Radio新闻广播中挖掘的平行音频和文本对
• 覆盖语言: 12种印度语言
• 数据总量: 超过6400小时

相关研究

• 论文: Effectiveness of Mining Audio and Text Pairs from Public Data for Improving ASR Systems for Low-Resource Languages
• 作者: Bhogale, Kaushal Santosh 等
• 年份: 2022
• 出版: arXiv