ciempiess/ciempiess_balance

CIEMPIESS BALANCE数据集是一个墨西哥西班牙语广播对话的音频和转录文本集合，旨在与CIEMPIESS LIGHT数据集配合使用，以实现性别平衡。数据集包含8555个音频文件，总时长为18小时20分钟，主要由53名女性和34名男性发言者组成。数据集的音频文件格式为16khz@16bit单声道，转录文本由人工完成。数据集的主要用途是自动语音识别（ASR）任务。

原始信息汇总

数据集概述

数据集名称

• 名称: CIEMPIESS BALANCE CORPUS
• 别名: ciempiess_balance

数据集描述

• 摘要: 该数据集包含墨西哥西班牙语广播对话的音频和转录文本，旨在与CIEMPIESS LIGHT Corpus匹配，以实现性别平衡。数据集包含约25%的男性发言者和75%的女性发言者，总时长为18小时20分钟。
• 语言: 西班牙语（墨西哥口音）
• 许可证: CC-BY-SA-4.0
• 多语言性: 单语种

数据集结构

• 数据实例: 每个实例包含音频ID、音频文件路径、发言人ID、性别、持续时间和标准化文本转录。
• 数据字段: 包括音频ID、音频文件信息、发言人ID、性别、持续时间和标准化文本。
• 数据分割: 仅包含训练集，总计8555个语音文件，来自53名女性和34名男性发言人。

数据集创建

• 来源数据: 数据源自RADIO-IUS，一个属于UNAM的广播电台，用于训练自动语音识别的声学模型。
• 注释过程: 音频文件由学生手动分割和转录，主要为计算机、工程和语言学专业的学生。

使用考虑

• 社会影响: 数据集因包含自发语音而具有价值。
• 偏见讨论: 数据集性别不平衡，且词汇限于法律问题。
• 其他限制: 数据集根据CC BY-SA 4.0许可证发布，不提供任何保证。

附加信息

• 数据集管理员: Carlos Daniel Hernández Mena
• 贡献者: 感谢Alejandro V. Mena, Elena Vera和Angélica Gutiérrez的支持。