gabrielrstan/CORAA-v1.1

CORAA-v1.1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小时的音频及其相应的转录（超过40万段音频）。数据集由5个原始项目的音频组成，包括ALIP、C-ORAL Brazil、NURC-Recife、SP-2010和TEDx talks。音频经过注释者验证或首次转录，旨在用于ASR任务。数据集的元数据包括文件路径、任务类型（转录、注释或两者）、语言变体（欧洲葡萄牙语或巴西葡萄牙语）、数据集来源、口音、语音类型（访谈、对话、独白等）、语音风格（自发、准备或朗读）、以及各种注释投票信息（如犹豫、填充停顿、噪音或低音、第二声音等）。

CORAA-v1.1 is a public dataset for automatic speech recognition (ASR) in Brazilian Portuguese, containing 290.77 hours of audio paired with their corresponding transcriptions, with over 400,000 audio segments in total. The dataset comprises audio sourced from five original projects: ALIP, C-ORAL Brazil, NURC-Recife, SP-2010, and TEDx talks. The audio has either been verified by human annotators or initially transcribed, and is intended for use in ASR tasks. The dataset’s metadata includes file paths, task type (transcription, annotation, or both), language variety (European Portuguese or Brazilian Portuguese), dataset origin, accent, speech type (e.g., interview, dialogue, monologue, etc.), speech style (spontaneous, prepared, or read), and various annotation voting details such as hesitation, filled pauses, noise or low audio volume, secondary voices, and other relevant information.

原始信息汇总

CORAA-v1.1 数据集概述

数据集描述

CORAA-v1.1 是一个公开的自动语音识别（ASR）数据集，专门针对巴西葡萄牙语。该数据集包含290.77小时的音频及其对应的转录文本，总计超过400,000个分割音频。数据集由以下五个原始项目组成：

• ALIP (Gonçalves, 2019)
• C-ORAL Brazil (Raso and Mello, 2012)
• NURC-Recife (Oliviera Jr., 2016)
• SP-2010 (Mendes and Oushiro, 2012)
• TEDx talks (葡萄牙语演讲)

音频文件经过标注者验证或首次转录，旨在服务于ASR任务。

元数据信息

数据集的元数据包括以下属性：

• file_path: 音频文件路径
• task: 转录（标注者审核原始转录）；标注（标注者根据votes_for_*指标对音频-转录对进行分类）；标注与转录（两项任务均执行）
• variety: 欧洲葡萄牙语（PT_PT）或巴西葡萄牙语（PT_BR）
• dataset: 五个数据集之一（ALIP, C-oral Brasil, NURC-RE, SP2010, TEDx Portuguese）
• accent: 四种口音之一（米纳斯吉拉斯州、累西腓、圣保罗市、圣保罗首都）或“其他”
• speech_genre: 访谈、对话、独白、会话、会议、课堂讨论、舞台演讲或阅读
• speech_style: 即兴演讲、准备演讲或朗读演讲
• up_votes: 标注时，验证音频的投票数（大多数音频由一个标注者审核，部分音频由多个标注者分析）
• down_votes: 标注时，使音频无效的投票数（总是小于up_votes）
• votes_for_hesitation: 标注时，将音频分类为包含犹豫现象的投票数
• votes_for_filled_pause: 标注时，将音频分类为包含填充停顿现象的投票数
• votes_for_noise_or_low_voice: 标注时，将音频分类为包含噪音或低声，但不影响音频压缩的投票数
• votes_for_second_voice: 标注时，将音频分类为包含第二声音，但不影响音频压缩的投票数
• votes_for_no_identified_problem: 标注时，将音频分类为没有上述四种现象的投票数
• text: 音频的转录文本

下载链接

数据集的训练、开发和测试部分均可通过以下链接下载：

• 训练数据

  • 音频：Google Drive | 内部 | Hugging Face
  • 转录文本及元数据：Google Drive | 内部 | Hugging Face

• 开发数据

  • 音频：Google Drive | 内部 | Hugging Face
  • 转录文本及元数据：Google Drive | 内部 | Hugging Face

• 测试数据

  • 音频：Google Drive | 内部 | Hugging Face
  • 转录文本及元数据：Google Drive | 内部 | Hugging Face

搜集汇总

背景与挑战

背景概述

CORAA-v1.1是一个用于巴西葡萄牙语自动语音识别（ASR）的大规模公开数据集，包含290.77小时的音频和对应转录，源自五个不同的语音项目，覆盖多种口音和语音风格。数据集经过人工验证，提供详细的元数据，如任务类型、口音和语音类型，并已用于训练多语言预训练模型，支持ASR研究和应用。