nadsoft/hamsa-asr-small-21k

--- language: - ar license: apache-2.0 task_categories: - automatic-speech-recognition tags: - arabic - speech - asr - audio size_categories: - n<1K pretty_name: Arabic ASR Dataset --- # Arabic ASR Dataset ## Dataset Description This dataset contains Arabic speech recordings with transcriptions for Automatic Speech Recognition (ASR) tasks. ### Dataset Statistics - **Total Samples**: 21980 - **Train Samples**: 20880 - **Test Samples**: 1100 - **Language**: Arabic (ar) - **Task**: Automatic Speech Recognition - **Audio Format**: WAV (16kHz sampling rate) ### Features | Feature | Type | Description | |---------|------|-------------| | `audio` | Audio | Audio recording (16kHz) | | `text` | string | Arabic transcription | | `gender` | string | Speaker gender (Male/Female/Unknown) | | `eos_prediction` | int32 | End of sentence prediction (0/1) | | `eos_probability` | float32 | Probability of end of sentence | | `model` | string | Model used for prediction | | `reviewed` | bool | Whether transcription has been reviewed | | `duration` | float32 | Audio duration in seconds | | `ignore` | bool | Whether this sample should be ignored | ### Example Usage ```python from datasets import load_dataset # Load the dataset dataset = load_dataset("nadsoft/hamsa-asr-small-21k") # Access train and test splits train_data = dataset['train'] test_data = dataset['test'] # Example: Print first sample print(train_data[0]) # Example: Access audio and text audio = train_data[0]['audio']['array'] text = train_data[0]['text'] print(f"Text: {text}") ``` ### Data Fields - **audio**: A dictionary containing: - `path`: Path to the audio file - `array`: Audio array - `sampling_rate`: Sampling rate (16000 Hz) - **text**: The Arabic transcription text - **gender**: Speaker gender information - **eos_prediction**: Binary end of sentence prediction - **eos_probability**: Confidence score for EOS prediction - **model**: Name of the model used - **reviewed**: Boolean indicating if transcription was manually reviewed - **duration**: Length of audio in seconds - **ignore**: Boolean flag indicating if text should be ignored (text will be "no-text" when True) ### Model Information Transcriptions were generated using: `nadsoft/Hamsa-Conversational-v1.0-mulaw` ### Citation If you use this dataset in your research, please cite it appropriately. ### License This dataset is licensed under Apache 2.0.--- language: - 阿拉伯语（ar） license: Apache 2.0 task_categories: - 自动语音识别（Automatic Speech Recognition, ASR） tags: - 阿拉伯语 - 语音 - 自动语音识别（ASR） - 音频 size_categories: - n<1K pretty_name: 阿拉伯语自动语音识别数据集 --- # 阿拉伯语自动语音识别数据集 ## 数据集说明 本数据集包含适用于自动语音识别（Automatic Speech Recognition, ASR）任务的阿拉伯语语音录音及对应转录文本。 ### 数据集统计信息 - **总样本数**: 21980 - **训练集样本数**: 20880 - **测试集样本数**: 1100 - **语言**: 阿拉伯语（ar） - **任务**: 自动语音识别 - **音频格式**: WAV（16kHz采样率） ### 数据集特征 | 特征名称 | 数据类型 | 特征说明 | |---------|----------|----------| | `audio` | 音频类型 | 16kHz采样的音频录音 | | `text` | 字符串 | 阿拉伯语转录文本 | | `gender` | 字符串 | 说话人性别（男性/女性/未知） | | `eos_prediction` | 32位整数 | 句子结束预测标签（0/1） | | `eos_probability` | 32位浮点数 | 句子结束预测概率 | | `model` | 字符串 | 用于生成预测的模型名称 | | `reviewed` | 布尔值 | 转录文本是否已审核 | | `duration` | 32位浮点数 | 音频时长（单位：秒） | | `ignore` | 布尔值 | 是否需忽略该样本 | ### 示例用法 python from datasets import load_dataset # 加载数据集 dataset = load_dataset("nadsoft/hamsa-asr-small-21k") # 访问训练集与测试集划分 train_data = dataset['train'] test_data = dataset['test'] # 示例：打印首个样本 print(train_data[0]) # 示例：获取音频与转录文本 audio = train_data[0]['audio']['array'] text = train_data[0]['text'] print(f"转录文本: {text}") ### 数据字段说明 - **`audio`**: 包含以下子字段的字典： - `path`: 音频文件路径 - `array`: 音频数组 - `sampling_rate`: 采样率（16000 Hz） - **`text`**: 阿拉伯语转录文本 - **`gender`**: 说话人性别信息 - **`eos_prediction`**: 句子结束预测的二分类标签 - **`eos_probability`**: 句子结束预测的置信度得分 - **`model`**: 所用模型的名称 - **`reviewed`**: 布尔值，标识转录文本是否经过人工审核 - **`duration`**: 音频时长（单位：秒） - **`ignore`**: 布尔标记，标识是否需忽略该样本（当该值为`True`时，转录文本为`"no-text"`） ### 模型信息 转录文本由以下模型生成：`nadsoft/Hamsa-Conversational-v1.0-mulaw` ### 引用要求 若您在研究工作中使用本数据集，请进行恰当的引用。 ### 授权协议 本数据集采用Apache 2.0协议进行授权。