humyn-labs/Indic-High-Fidelity-MultiSpeaker-ASR

---
license: cc-by-4.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: language
dtype: string
- name: file_name
dtype: string
- name: audio
dtype: audio
- name: transcript_json
dtype: string
splits:
- name: train
num_bytes: 1065664379
num_examples: 37
download_size: 1064810251
dataset_size: 1065664379
task_categories:
- automatic-speech-recognition
language:
- hi
- ml
- mr
- te
- ta
- bn
- kn
- bh
- as
- gu
- pa
tags:
- ASR
- Conversational-speech
- multi-speaker
- indic-languages
size_categories:
- n<1K
---
# Dataset Overview

This dataset contains high-quality multi-speaker conversational audio recordings curated for Automatic Speech Recognition (ASR) research across multiple Indic languages.

The dataset includes:

- Paired audio + timestamped transcripts
- Natural, non-scripted conversational speech
- Dual-speaker interactions
- Segment-level speaker annotations
- Regionally diverse accents

# Audio Specifications

- Format: WAV (PCM 16-bit)
- Sampling Rate: 16 kHz
- Channel: Mono
- Speech Type: Natural conversational dialogue
- Recording Style: Dual-speaker spontaneous interaction
- Typical Duration: 10–30 minutes per recording

All audio files are normalized to ensure consistent duration reporting and playback compatibility.

# Supported Languages

This dataset includes conversational speech recordings in:

- Assamese
- Odia
- Bengali
- Bhojpuri
- Chhattisgarhi
- Gujarati
- Haryanvi
- Hindi
- Punjabi
- Marathi
- Tamil
- Kannada
- Malayalam
- Telugu

The dataset preserves natural accent variation and conversational speech characteristics.

# Speaker Representation

- Dual-speaker conversational recordings
- Natural, spontaneous dialogue
- Regionally representative speakers
- Conversational turn-taking preserved

# Dataset Creation Methodology

## Data Collection

Speech data was collected from native speakers across multiple Indian regions to ensure:

- Accent diversity
- Natural conversational flow
- Real-world dialogue patterns
- Informal and semi-formal speech contexts

Topics include:

- Everyday life discussions
- Social interactions
- Business and finance
- Public affairs
- General conversational topics

# Transcription Process

- Manual transcription by native speakers
- Reviewed for linguistic accuracy
- Timestamp-level segmentation
- Speaker-labeled segments
- Preserves conversational fillers and natural pauses

Each transcript entry contains:

- start timestamp
- end timestamp
- speaker label
- text content

# Intended Use

Designed for:

- Training and fine-tuning ASR models
- Conversational ASR benchmarking
- Speaker diarization research
- Speaker turn detection
- Multi-speaker modeling
- Academic and open research

# Out-of-Scope Uses

This dataset is not intended for:

- Safety-critical or real-time production systems without additional validation
- Commercial deployment without attribution (CC BY 4.0 required)
- Medical, clinical, legal, or diagnostic applications

# License

Creative Commons Attribution 4.0 International (CC BY 4.0)

📬 Contact
For dataset-related queries, please contact:-

[[e-mail]]

license: CC BY 4.0（知识共享署名4.0国际许可协议）
configs:
- config_name: 默认（default）
data_files:
- split: 训练集（train）
path: data/train-*
dataset_info:
features:
- name: 语言（language）
dtype: 字符串（string）
- name: 文件名（file_name）
dtype: 字符串（string）
- name: 音频（audio）
dtype: 音频（audio）
- name: 转录JSON（transcript_json）
dtype: 字符串（string）
splits:
- name: 训练集（train）
num_bytes: 1065664379
num_examples: 37
download_size: 1064810251
dataset_size: 1065664379
task_categories:
- 自动语音识别（automatic-speech-recognition）
language:
- 印地语（hi）
- 马拉雅拉姆语（ml）
- 马拉地语（mr）
- 泰卢固语（te）
- 泰米尔语（ta）
- 孟加拉语（bn）
- 卡纳达语（kn）
- 博杰普尔语（bh）
- 阿萨姆语（as）
- 古吉拉特语（gu）
- 旁遮普语（pa）
tags:
- ASR（自动语音识别，Automatic Speech Recognition）
- 会话语音（Conversational-speech）
- 多说话人（multi-speaker）
- 印度语系（indic-languages）
size_categories:
- 样本数少于1000（n<1K）

# 数据集概览
本数据集包含高质量多说话人会话音频录制数据，专为多印度语系下的自动语音识别（Automatic Speech Recognition, ASR）研究打造。
本数据集包含：
- 配对音频与带时间戳的转录文本
- 自然、非脚本化的会话语音
- 双说话人交互场景
- 片段级说话人标注
- 区域多样化口音

# 音频规格
- 格式：WAV（PCM 16位）
- 采样率：16 kHz
- 声道：单声道
- 语音类型：自然会话对话
- 录制方式：双说话人自发交互
- 典型时长：每份录制10–30分钟

所有音频文件均经过归一化处理，以确保时长报告统一及播放兼容性。

# 支持语言
本数据集包含以下语言的会话语音录制数据：
- 阿萨姆语
- 奥里亚语
- 孟加拉语
- 博杰普尔语
- 恰蒂斯加尔语
- 古吉拉特语
- 哈里亚纳维语
- 印地语
- 旁遮普语
- 马拉地语
- 泰米尔语
- 卡纳达语
- 马拉雅拉姆语
- 泰卢固语

本数据集保留了自然的口音变化与会话语音特征。

# 说话人表征
- 双说话人会话录制
- 自然自发的对话
- 具有区域代表性的说话人
- 完整保留会话轮次转换

# 数据集构建方法
## 数据采集
语音数据采集自印度多个地区的母语使用者，以确保：
- 口音多样性
- 自然会话流畅性
- 真实对话模式
- 非正式与半正式的语音场景

话题涵盖：
- 日常生活讨论
- 社交互动
- 商业与金融
- 公共事务
- 通用会话话题

# 转录流程
- 由母语使用者进行人工转录
- 经语言准确性审核
- 时间戳级别的分段标注
- 带说话人标签的语音片段
- 保留会话填充词与自然停顿

每条转录条目包含：
- 起始时间戳
- 结束时间戳
- 说话人标签
- 文本内容

# 预期用途
本数据集专为以下场景设计：
- 自动语音识别模型的训练与微调
- 会话式自动语音识别基准测试
- 说话人 diarization（Speaker Diarization）研究
- 说话人轮次检测
- 多说话人建模
- 学术与开放研究

# 非适用场景
本数据集不适用于：
- 未经额外验证的安全关键型或实时生产系统
- 未经署名的商业部署（需遵守CC BY 4.0许可协议）
- 医疗、临床、法律或诊断类应用

# 许可协议
知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 International, CC BY 4.0）

📬 联系方式
若有数据集相关疑问，请联系：
[[e-mail]]