smcproject/ml-phonetic-lexicon

该数据集包含马拉雅拉姆语脚本中的单词及其在国际音标（IPA）中的发音。这些单词来源于Indic NLP语料库中最常见的10万个单词以及Mlmorph项目中的精选词汇类别。发音是通过Mlphon Python库创建的。该数据集可用于自动语音识别（ASR）和文本到语音（TTS）系统的发音词典，以及训练数据驱动的字素到音素模型。

原始信息汇总

数据集概述

基本信息

• 许可证: cc-by-4.0
• 任务类别: text2text-generation
• 语言: ml (马拉雅拉姆语)
• 数据集名称: Malayalam Grapheme Phoneme Dataset

配置详情

• commonword:
  • 数据文件: commonword.tsv
  • 分隔符: " "
• english_loan:
  • 数据文件: english_loan.tsv
  • 分隔符: " "
• noun:
  • 数据文件: noun.tsv
  • 分隔符: " "
• personname:
  • 数据文件: personname.tsv
  • 分隔符: " "
• placename:
  • 数据文件: placename.tsv
  • 分隔符: " "
• pronoun:
  • 数据文件: pronoun.tsv
  • 分隔符: " "
• propernoun:
  • 数据文件: propernoun.tsv
  • 分隔符: " "
• sanskrit_loan:
  • 数据文件: sanskrit_loan.tsv
  • 分隔符: " "
• verb:
  • 数据文件: verb.tsv
  • 分隔符: " "

数据规模

• 大小类别: 100K<n<1M

数据来源

• 最频繁的10万词来自Indic NLP语料库
• 从Mlmorph项目中精选的词类别集合

应用场景

• 用于ASR和TTS的发音词典
• 训练数据驱动的grapheme-to-phoneme模型

引用信息

@ARTICLE{kavya2022mlphon, author={Manohar, Kavya and Jayan, A. R. and Rajan, Rajeev}, journal={IEEE Access}, title={Mlphon: A Multifunctional Grapheme-Phoneme Conversion Tool Using Finite State Transducers}, year={2022}, volume={10}, number={}, pages={97555-97575}, doi={10.1109/ACCESS.2022.3204403}}