classla/Mici_Princ

Mići Princ - Chakavian ASR数据集包含克罗地亚语Chakavian方言的音频和文本数据，主要用于自动语音识别（ASR）训练。数据集分为训练集和测试集，训练集包含277个实例，测试集包含95个实例。每个实例包含音频、文本、归一化文本和说话者信息。音频采样率为16000Hz，文本包含标点符号和特殊字符，归一化文本则对这些字符进行了简化处理。

原始信息汇总

数据集概述

数据集名称

Mići Princ - Chakavian ASR Dataset

数据集描述

Antoine de Saint-Exupérys The Little Prince, translated into Chakavian dialect of Croatian and read by native speakers.

数据集组成

属性

• audio:
  • train: 音频片段可能包含多个说话者，持续时间在[0, 30]秒，便于ASR训练。
  • test: 每个实例中只有一个说话者。
• text: 包含标点、换行、项目符号和特殊字符的文本。
• normalized_text: 移除了部分标点和特殊字符，特殊字符被重新映射，便于训练。不包含标准克罗地亚语中的特殊字符（ȅ,é,ȋ,ȉ,ȃ,ȁ），替换为非特殊字符（e,i,a）。移除了项目符号、换行和引号。
• speaker:
  • train: 该属性始终为空字符串。
  • test: 准确代表说话者。

数据集大小

• train: 277个实例
• test: 95个实例

数据集特征

• audio: 采样率为16000的音频数据。
• text: 字符串类型。
• normalized_text: 字符串类型。
• speaker: 字符串类型。

数据集分割

• test: 95个实例，占用7993646字节。
• train: 277个实例，占用68421127字节。

数据集配置

• config_name: default
• data_files:
  • test: 路径为data/test-*
  • train: 路径为data/train-*

语言

• hr

数据集大小类别

• n<1K