projecte-aina/annotated_catalan_common_voice_v17

该数据集是Common Voice语料库的加泰罗尼亚语子集（v17）的元数据标注版本，包含了263位说话者的元数据（性别和口音），这些元数据由专家团队标注。数据集的主要目的是为加泰罗尼亚语的自动语音识别（ASR）任务提供支持。数据集还包含了录音质量的标注，以及从用户自我声明信息中提取的元数据。数据集的创建过程包括从Common Voice语料库中筛选出录音时间超过1200秒的说话者，并由专家团队进行标注。数据集的结构包括数据实例、数据字段和数据分割，涵盖了自动语音识别、性别分类和口音分类等任务。

原始信息汇总

数据集概述

名称: annotated_catalan_common_voice_v17

语言: 加泰罗尼亚语 (ca)

许可证: CC BY 4.0

多语言性: 单语种

大小: 1M<n<10M

来源数据集: 扩展自Common_Voice

任务类别: 自动语音识别, 音频分类, 音频到音频

任务ID: 音频语言识别

数据集描述

数据集总结

• 包含263位发言者的元数据（性别和口音），由专家团队标注。
• 对应的发言者已录制超过1200秒的语音。
• 新增字段包括：annotated_accent, annotated_gender, annotated_accent_agreement, annotated_gender_agreement, mean_quality, stdev_quality, propagated_gender, propagated_accents, propagated_accents_norm, assigned_accent, assigned_gender。

支持的任务和排行榜

• 自动语音识别
• 性别分类
• 口音分类

语言

• 加泰罗尼亚语 (ca)

数据集结构

数据实例

• 示例包括client_id, path, sentence, up_votes, down_votes, age, gender, accent, locale, segment, mean quality, stdev quality, annotated_accent, annotated_accent_agreement, annotated_gender, annotated_gender_agreement, propagated_gender, propagated_accents, propagated_accents_normalized, assigned_accent, assigned_gender。

数据字段

• 新增字段包括：annotated_gender, annotated_gender_agreement, annotated_accent, annotated_accent_agreement, mean quality, stdev quality, propagated_gender, propagated_accents, propagated_accents_normalized, assigned_accent, assigned_gender。

数据分割

• 与原始Common Voice数据集相同，未标注reported.tsv文件，因为它不包含发言者信息。

数据集创建

精选理由

• 为了获得一个平衡且信息可靠的语料库，由巴塞罗那大学的专家团队提供准确标注。

源数据

• 来自Common Voice的加泰罗尼亚语子集。

标注

• 由巴塞罗那大学的CLiC团队进行标注。
• 标注团队包括两名男性和一名女性，年龄在18-25岁之间，母语为加泰罗尼亚语。
• 标注过程包括两轮，最终使用第二轮的标注结果。

个人和敏感信息

• 数据集包含在线捐赠语音的个人，不得尝试确定发言者的身份。