BrunoHays/multilingual-TEDX-fr
收藏资源简介：
该数据集是Multilingual TEDx数据集的法语子集，上传到HuggingFace的数据对应于fr-fr目录。音频文件被自动重采样到16 kHz。数据集提供了多种配置选项，包括单独样本、合并样本以形成不超过30秒或10秒的片段，以及合并整个TEDx演讲的所有样本。依赖项包括ffmpeg和ffmpeg-python，用于更快的音频解码。数据样本示例展示了音频文件、句子、说话者ID、时间戳等信息。
This dataset is the French subset of the Multilingual TEDx dataset, and the data uploaded to HuggingFace corresponds to the fr-fr directory. Audio files were automatically resampled to 16 kHz. The dataset provides multiple configuration options, including individual samples, merged samples to create segments of up to 30 seconds or 10 seconds, and combining all samples from an entire TEDx talk. Dependencies include ffmpeg and ffmpeg-python for faster audio decoding. Example data samples showcase information such as audio files, sentences, speaker IDs, timestamps, and more.
数据集概述
基本信息
- 许可证: cc-by-nc-nd-4.0
- 任务类别: automatic-speech-recognition
- 语言: fr (法语)
- 数据量: 100K<n<1M
数据来源
- 数据集: 法语子集，来自Multilingual TEDx数据集。
- 对应目录: fr-fr
- 音频格式: 自动重采样至16 kHz
配置选项
- single_samples (默认): 所有样本单独提取
- max=30s: 合并连续样本，时长不超过30秒
- max=10s: 合并连续样本，时长不超过10秒
- max: 合并一个TEDx演讲的所有样本
依赖项
- ffmpeg: apt install ffmpeg
- ffmpeg-python: pip install ffmpeg-python
样本示例
json { "file": "0u7tTptBo9I-0", "audio": { "path": None, "array": [3.05175781e-05, 6.10351562e-05, 9.15527344e-05, ..., -2.44140625e-04, -3.35693359e-04, -2.74658203e-04], "sampling_rate": 16000 }, "sentence": "Bonsoir ! Notre planète est recouverte à 70 % docéan, et pourtant, étrangement, on a choisi de lappeler « la Terre ». Le poète Heathcote Williams a une vision bien plus objective et moins anthropocentrique, quand il dit que « Vue de lespace, la planète est bleue. Vue de lespace, elle est le territoire, non pas des hommes, mais des baleines ». Et pourtant, on vient tous de locéan.", "speaker_id": "0u7tTptBo9I", "start_timestamp": 17.25, "end_timestamp": 45.26, "index": 0 }
