VSSA-SDSA/LT_Medical_S_corpus

---
language:
- lt
tags:
- audio
- speech-recognition
- lithuanian
- medical
- whisper
license: openrail
task_categories:
- automatic-speech-recognition
size_categories:
- 10K<n<100K
pretty_name: LT Medical S Corpus
---

[English](#english) | [Lietuvių](#lietuvių)

# English

## LT_Medical_S_corpus — Lithuanian Medical Speech Corpus

A Lithuanian speech dataset of medical dictation audio (radiology and family medicine) with transcriptions, speaker metadata, and word-level timestamps.

## Columns

| Column | Type | Description |
|---|---|---|
| `audio` | `Audio` | Audio |
| `sentence` | `string` | Ground truth transcription |
| `duration_ms` | `int` | Recording duration in milliseconds |
| `medical_area` | `string` | `RADIOLOGIJA` or `SEIMOS` |
| `gender` | `string` | `MALE` or `FEMALE` |
| `age_group` | `string` | Speaker age range |
| `recording_room_area_m2` | `int` | Recording room size in m² |
| `rt60` | `float` | Room reverb time (seconds) |
| `speaker_id` | `string` | Speaker identifier |
| `path_to_textgrid` | `string` | Path to the corresponding TextGrid file in the repo |

## Usage

```python
from datasets import load_dataset

dataset = load_dataset("VSSA-SDSA/LT_Medical_S_corpus")
print(dataset["train"][0])
```

## Extra Files

Alongside the dataset, this repository contains:

- **`manifest.json`** — the original metadata manifest
- **`textgrids/`** — Praat TextGrid files with word-level timestamps (from forced alignment), useful for tasks beyond ASR (e.g., forced alignment, pronunciation modeling)

Download individual TextGrid files with:

```python
from huggingface_hub import hf_hub_download

path = hf_hub_download(
"VSSA-SDSA/LT_Medical_S_corpus",
"textgrids/<speaker_id>/<recording_id>/<recording_id>.TextGrid",
repo_type="dataset",
)
```

## Related

A fine-tuned Whisper model trained on this dataset is available at [VSSA-SDSA/LT_AI_Medical](https://huggingface.co/VSSA-SDSA/LT_AI_Medical).

---

# Lietuvių

## LT_Medical_S_corpus — Lietuviškas medicininio kalbėjimo korpusas

Lietuviškas garso duomenų rinkinys, sudarytas iš medicininės diktatūros įrašų (radiologijos ir šeimos medicinos), su transkripcijomis, kalbėtojų metaduomenimis ir žodžių lygio laiko žymėmis.

## Stulpeliai

| Stulpelis | Tipas | Aprašymas |
|---|---|---|
| `audio` | `Audio` | Garsas |
| `sentence` | `string` | Etaloninė transkripcija |
| `duration_ms` | `int` | Įrašo trukmė milisekundėmis |
| `medical_area` | `string` | `RADIOLOGIJA` arba `SEIMOS` |
| `gender` | `string` | `MALE` arba `FEMALE` |
| `age_group` | `string` | Kalbėtojo amžiaus grupė |
| `recording_room_area_m2` | `int` | Įrašymo patalpos dydis m² |
| `rt60` | `float` | Patalpos aido laikas (sekundėmis) |
| `speaker_id` | `string` | Kalbėtojo identifikatorius |
| `path_to_textgrid` | `string` | Kelias į atitinkamą TextGrid failą saugykloje |

## Naudojimas

```python
from datasets import load_dataset

dataset = load_dataset("VSSA-SDSA/LT_Medical_S_corpus")
print(dataset["train"][0])
```

## Papildomi failai

Kartu su duomenų rinkiniu saugykloje yra:

- **`manifest.json`** — originalus metaduomenų manifestas
- **`textgrids/`** — Praat TextGrid failai su žodžių lygio laiko žymėmis (gauti iš priverstinio suderinimo), naudingi užduotims, viršijančioms ASR (pvz., priverstiniam suderinimui, tarimo modeliavimui)

Atskirų TextGrid failų atsisiuntimas:

```python
from huggingface_hub import hf_hub_download

path = hf_hub_download(
"VSSA-SDSA/LT_Medical_S_corpus",
"textgrids/<speaker_id>/<recording_id>/<recording_id>.TextGrid",
repo_type="dataset",
)
```

## Susiję

Šiame duomenų rinkinyje apmokytas Whisper modelis yra [VSSA-SDSA/LT_AI_Medical](https://huggingface.co/VSSA-SDSA/LT_AI_Medical).