collectivat/tv3_parla

TV3Parla数据集包含240小时的加泰罗尼亚语广播材料，主要用于语言建模和自动语音识别任务。数据集由Corporació Catalana de Mitjans Audiovisuals, SA (CCMA)拥有，并由Softcatalà协会支持处理。数据集包括音频文件和对应的文本转录，分为训练集和测试集。数据集的创建和注释过程未详细说明，但提供了相关的引用和贡献者信息。

原始信息汇总

数据集概述

数据集名称

• 名称: TV3Parla

数据集摘要

• 摘要: 该数据集包含240小时的加泰罗尼亚语广播材料语音。内容由Corporació Catalana de Mitjans Audiovisuals, SA (CCMA)拥有，并根据其使用条款提供。

支持的任务

• 任务:
  • 语言建模
  • 自动语音识别（ASR）

语言

• 语言: 加泰罗尼亚语 (ca)

数据集结构

• 数据实例:

  { path: tv3_0.3/wav/train/5662515_1492531876710/5662515_1492531876710_120.180_139.020.wav, audio: {path: ..., array: ..., sampling_rate: 16000}, text: algunes montoneres que que et feien anar ben col·locat i el vent també hi jugava una mica de paper bufava vent de cantó alguns cops o de cul i el pelotón el vent el porta molt malament hi havia molts nervis }

• 数据字段:

  • path (str): 音频文件路径。
  • audio (dict): 包含音频文件路径、解码音频数组和采样率的字典。
  • text (str): 音频文件的转录文本。

数据分割

• 分割: 训练集和测试集
• 示例数量:
  • 训练集: 159242
  • 测试集: 2220

许可证

• 许可证: Creative Commons Attribution-NonCommercial 4.0 International

引用信息

@inproceedings{kulebi18_iberspeech, author={Baybars Külebi and Alp Öktem}, title={{Building an Open Source Automatic Speech Recognition System for Catalan}}, year=2018, booktitle={Proc. IberSPEECH 2018}, pages={25--29}, doi={10.21437/IberSPEECH.2018-6} }