distil-whisper/voxpopuli-timestamped

这是VoxPopuli数据集的一个变体，增加了返回伪标签的Whisper转录以及原始数据集元素的功能。伪标签转录是通过使用Whisper large-v2模型对输入音频数据进行标记生成的，采用了贪婪采样和时间戳预测。关于原始数据集的整理方式，可以参考原始数据集卡片。

原始信息汇总

Distil Whisper: VoxPopuli With Timestamps

数据集概述

• 数据集名称: Distil Whisper: VoxPopuli With Timestamps
• 数据集类型: VoxPopuli数据集的变体，增加了伪标记的Whisper转录本和原始数据元素。
• 语言: 英语
• 任务类别: 自动语音识别
• 许可证: cc0-1.0

数据集使用

独立使用

1. 安装依赖: bash pip install --upgrade pip pip install --upgrade datasets[audio]

2. 加载数据集:

   • 本地加载: python from datasets import load_dataset

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

   • 流式加载: python from datasets import load_dataset

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

Distil Whisper 使用

• 训练指南: 参考Distil Whisper仓库中的说明。