cahya/librivox-indonesia

LibriVox Indonesia 1.0数据集是一个多语言的自动语音识别数据集，主要包含印度尼西亚地区的多种语言。数据集来源于LibriVox的公共领域有声读物，经过处理后生成了MP3音频文件和对应的文本文件。数据集目前包含7种语言，总时长为8小时。数据集的创建使用了自研的强制对齐软件，支持多语言处理，尤其是低资源语言。数据集的结构包括音频文件路径、语言、朗读者ID、句子文本以及音频数据。数据集目前仅包含训练集。

The LibriVox Indonesia 1.0 dataset is a multilingual automatic speech recognition (ASR) dataset that primarily covers multiple languages spoken in the Indonesian region. This dataset is derived from public-domain audiobooks hosted on LibriVox, and processed to generate MP3 audio files and their corresponding text transcripts. It currently includes 7 languages with a total duration of 8 hours. The dataset was created using a self-developed forced alignment software that supports multilingual processing, especially for low-resource languages. The dataset structure includes audio file paths, language information, speaker IDs, sentence-level transcripts, and audio data. Currently, the dataset only contains a training set.

原始信息汇总

数据集概述

数据集描述

• 数据集名称: LibriVox Indonesia 1.0
• 数据集简介: 该数据集包含来自LibriVox公共领域有声书的MP3音频及其对应的文本文件。数据集仅收集了印度尼西亚的语言。原始有声书的音频文件时长从几分钟到几小时不等，而数据集中的每个音频文件时长从几秒到最长20秒。
• 语言: Acehnese, Balinese, Bugisnese, Indonesian, Minangkabau, Javanese, Sundanese
• 许可证: CC
• 多语言性: 多语言
• 数据集大小: 1K<n<10K
• 源数据集: LibriVox
• 任务类别: 自动语音识别

数据集结构

数据实例

一个典型的数据点包括音频文件的路径、对应的句子、读者ID和语言。 python { path: librivox-indonesia/sundanese/universal-declaration-of-human-rights/human_rights_un_sun_brc_0000.mp3, language: sun, reader: 3174, sentence: pernyataan umum ngeunaan hak hak asasi manusa sakabeh manusa, audio: { path: librivox-indonesia/sundanese/universal-declaration-of-human-rights/human_rights_un_sun_brc_0000.mp3, array: array([-0.00048828, -0.00018311, -0.00137329, ..., 0.00079346, 0.00091553, 0.00085449], dtype=float32), sampling_rate: 44100 }, }

数据字段

• path (string): 音频文件的路径
• language (string): 音频文件的语言
• reader (string): LibriVox中的读者ID
• sentence (string): 用户从书中读出的句子
• audio (dict): 包含下载的音频文件路径、解码的音频数组和采样率的字典

数据分割

音频材料仅包含训练集。

数据集创建

数据集创建理由

[需要更多信息]

源数据

初始数据收集和规范化

[需要更多信息]

源语言生产者

[需要更多信息]

注释

注释过程

[需要更多信息]

注释者

[需要更多信息]

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据集的社会影响

[需要更多信息]

偏见的讨论

[需要更多信息]

其他已知限制

[需要更多信息]

附加信息

数据集策展人

[需要更多信息]

许可信息

公共领域，CC-0

引用信息

[需要更多信息]