VietAI/spoken_norm_assignment

该数据集用于越南语的逆向文本归一化（ITN）任务，该任务在自动语音识别（ASR）系统中尤为重要，可以提高系统输出的可读性。数据集中包含时间和日期、数字和度量单位、电话号码等类型的数据。数据集分为训练集、验证集和测试集，分别包含500,000、2,500和2,500个实例。

This dataset is intended for the Vietnamese Inverse Text Normalization (ITN) task, which is particularly crucial in Automatic Speech Recognition (ASR) systems as it improves the readability of system outputs. The dataset encompasses data of multiple types including time and date expressions, numbers and measurement units, telephone numbers, and so forth. It is split into training, validation and test sets, which contain 500,000, 2,500 and 2,500 instances respectively.

原始信息汇总

越南语逆文本规范化数据集概述

数据集描述

本数据集专为越南语逆文本规范化（ITN）任务设计，旨在将口语风格转换为书面风格，以提升自动语音识别（ASR）系统的输出可读性。数据集包含多种类型的口语到书面语的转换实例，如时间日期、数字单位和电话号码等。

数据集示例

口语表达	书面表达	类型
tám giờ chín phút ngày ba tháng tư năm hai nghìn	8h9 3/4/2000	时间日期
tám mét khối năm mươi ki lô gam	8m3 50 kg	数字单位
không chín sáu hai bảy bảy chín chín không bốn	0962779904	电话号码

数据分割

数据集分为三个部分：训练集、验证集和测试集。训练集和验证集提供输入（源）及其对应的标签（目标），而测试集仅提供输入（源）。

数据集分割	实例数量
训练集	500,000
验证集	2,500
测试集	2,500