Prajwal-143/ASR-Tamil-cleaned

该数据集是Common Voice 16.0和Open SLR数据集的结合，总计534小时的语音数据。数据集经过精心整理，标准化为16kHz采样率，并进行了清理以提高可用性。该数据集旨在为语音识别、自然语言处理和机器学习研究提供一个全面的语音数据集合。数据集的结构包括音频文件路径、音频数据和对应的泰米尔语转录文本。数据集的创建过程涉及音频数据的转换、多样化的数据来源以及数据清理工作。数据集的来源包括Mozilla的Common Voice和Open SLR。

原始信息汇总

数据集概述

基本信息

• 语言：泰米尔语（Tamil）
• 大小：100K<n<1M
• 任务类别：自动语音识别
• 美观名称：语音转文字（已清理）

数据集特征

• path：字符串类型，音频文件名
• sentence：字符串类型，音频文件的泰米尔语转录
• audio：音频特征，包括采样率16000

数据集分割

• 训练集：224581个样本，总字节数7336930447.304
• 验证集：56146个样本，总字节数1796570819.462
• 测试集：31192个样本，总字节数1030720788.984

数据集大小

• 下载大小：10119221124字节
• 数据集大小：10164222055.749998字节

数据集结构

• path：音频文件名，转换为数组
• audio：包含路径、数组和采样率的音频字典
• sentence：音频文件的泰米尔语转录

数据集来源

• Common Voice：Mozilla收集的大规模公开可用语音数据集，由全球志愿者贡献
• Open SLR：通过Open Speech and Language Resources收集和共享的各种开放语音和语言资源

数据集创建

• 数据收集和处理：所有音频样本已标准化至16kHz采样率，确保数据集的一致性和高质量
• 清理数据：进行了大量数据清理工作，移除了噪音、标点、重复和无关元数据，以提高数据集的可用性和准确性

数据集作者

• Prajwal N. Pharande

联系信息

• 邮箱：[e-mail]