有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Massive Arabic Speech Corpus (MASC)|语音识别数据集|自然语言处理数据集
收藏OpenDataLab2025-04-05 更新2024-05-09 收录
下载链接：
https://opendatalab.org.cn/OpenDataLab/Massive_Arabic_Speech_Corpus_MASC
下载链接
链接失效反馈资源简介：
本文介绍了大规模阿拉伯语语音语料库 (MASC) 的创建。MASC是一个数据集，包含以16 kHz采样的1,000小时语音，并从700多个YouTube频道中抓取。该数据集是多区域，多流派和多方言的，旨在促进阿拉伯语语音技术的研究和开发，特别强调阿拉伯语语音识别。除了MASC之外，还开发了预训练的3-gram语言模型和预训练的自动语音识别模型，并将其提供给感兴趣的研究人员。为了增强语言模型，需要新的和包容性的阿拉伯语语音语料库，因此，还创建并发布了最初从Twitter抓取的12 m独特阿拉伯语单词的数据集。
提供机构：
OpenDataLab
创建时间：
2023-10-20
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
Beijing Traffic
The Beijing Traffic Dataset collects traffic speeds at 5-minute granularity for 3126 roadway segments in Beijing between 2022/05/12 and 2022/07/25.
Papers with Code 收录
MedDialog
MedDialog数据集（中文）包含了医生和患者之间的对话（中文）。它有110万个对话和400万个话语。数据还在不断增长，会有更多的对话加入。原始对话来自好大夫网。
github 收录
HazyDet
HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。
arXiv 收录
THUCNews
THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。本次比赛数据集在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。提供训练数据共832471条。
github 收录
糖尿病预测数据集
糖尿病相关的医学研究或者健康数据
AI_Studio 收录