distil-whisper/peoples_speech-clean-timestamped

这是Peoples Speech Clean数据集的一个变体，增加了Whisper模型的伪标注转录，并提供了生成这些转录的方法。伪标注转录是通过使用Whisper large-v2模型对输入音频数据进行标注生成的，采用了贪婪采样和时间戳预测。数据集的使用方法包括安装依赖、加载数据集以及流式加载。此外，还提供了如何使用该数据集进行Distil Whisper训练的指引。

原始信息汇总

Distil Whisper: Peoples Speech Clean With Timestamps

数据集概述

• 名称: Distil Whisper: Peoples Speech Clean With Timestamps
• 类型: 自动语音识别数据集
• 语言: 英语
• 许可证: cc-by-4.0

数据集描述

该数据集是Peoples Speech Clean数据集的变体，增加了伪标记的Whisper转录本和原始数据元素。伪标记转录本是通过使用Whisper large-v2模型对输入音频数据进行贪心采样和时间戳预测生成的。

使用方法

独立使用

1. 安装最新版本的🤗 Datasets包： bash pip install --upgrade pip pip install --upgrade datasets[audio]

2. 使用load_dataset函数下载和预处理数据集： python from datasets import load_dataset

   dataset = load_dataset("distil-whisper/peoples_speech-clean", "clean") sample = dataset["validation"][0]

3. 也可以通过流模式直接从Hub加载数据集： python from datasets import load_dataset

   dataset = load_dataset("distil-whisper/peoples_speech-clean", "clean", streaming=True) sample = next(iter(dataset["validation"]))

Distil Whisper 使用

如需使用此数据集复现Distil Whisper训练运行，请参考Distil Whisper仓库中的说明。