AigizK/notebooklm_rus

---
language:
- ru
license: cc-by-nc-4.0
task_categories:
- text-to-speech
- automatic-speech-recognition
tags:
- podcast
- russian
- notebooklm
- tts
- emotional-speech
size_categories:
- n<1K
---

# NotebookLM Russian Podcast Dataset

Датасет содержит записи подкастов, сгенерированных с помощью Google NotebookLM на русском языке.

## Описание

- **Голоса:** 2 диктора — мужской и женский
- **Общая длительность:** 77 ч 23 мин 22 сек
- **Количество эпизодов:** 417
- **Формат аудио:** WAV, 24 kHz, моно
- **Язык:** русский

## Структура датасета

| Поле | Тип | Описание |
|------|-----|----------|
| `audio` | Audio | Аудиозапись эпизода (24 kHz, моно) |
| `transcription` | string | Полная текстовая расшифровка эпизода |
| `segments` | string (JSON) | Посегментная разметка с таймкодами и идентификаторами спикеров |
| `episode` | string | Название эпизода |

### Формат поля `segments`

```json
[
{
"Start": 0.0,
"End": 5.64,
"Speaker": 0,
"Content": "Текст сегмента..."
}
]
```

- `Speaker: 0` — первый диктор
- `Speaker: 1` — второй диктор

## Цель создания

Датасет создан в исследовательских целях для изучения возможности создания качественного и приятного Text-to-Speech на русском языке. Записи NotebookLM отличаются выразительной, эмоциональной и естественной речью, что делает их потенциально ценным материалом для обучения TTS-моделей с передачей эмоций и интонаций.

## Использование

```python
from datasets import load_dataset

ds = load_dataset("AigizK/notebooklm_rus", split="train")
print(ds[0])
```