NbAiLab/NPSC_orto

挪威议会语音语料库（NPSC）是由挪威国家图书馆的挪威语言银行在2019-2021年间创建的语音语料库。该语料库包含挪威议会的语音记录及其对应的挪威语（Bokmål和Nynorsk）文字转录。所有转录均由训练有素的语言学家或文献学家手动完成，并经过校对以确保一致性和准确性。整个议会的会议日都被转录到数据集中。此版本的数据集还包含额外的机器生成的文本字段，用于提供更接近字幕使用的文本。

原始信息汇总

数据集概述

数据集名称

• 名称: NPSC
• 别名: NbAiLab/NPSC

数据集属性

• 语言:
  • 主要语言: nb (挪威语Bokmål), nn (挪威语Nynorsk)
  • 辅助语言: no (挪威语)
• 许可证: CC0-1.0
• 多语言性: 单语种
• 大小: 2G<n<1B
• 来源: 原始数据
• 任务类别:
  • 自动语音识别
  • 音频分类
• 标签: 语音建模

数据集内容

• 数据字段:
  • sentence_id: 整数，唯一标识符
  • sentence_order: 整数，句子顺序
  • speaker_id: 整数，发言人ID
  • meeting_date: 字符串，会议日期
  • speaker_name: 字符串，发言人姓名
  • sentence_text: 字符串，句子文本
  • sentence_language_code: 字符串，语言代码
  • text: 字符串，句子文本副本
  • start_time: 整数，句子开始时间
  • end_time: 整数，句子结束时间
  • normsentence_text: 字符串，规范化句子文本
  • transsentence_text: 字符串，翻译后的句子文本
  • translated: 整数，翻译标记
  • audio: 数组，音频数据

数据集统计

• 总时长:
  • 含停顿: 140.3小时
  • 不含停顿: 125.7小时
• 单词数: 120万
• 句子数: 64,531
• 语言分布:
  • Nynorsk: 12.8%
  • Bokmål: 87.2%
• 性别分布:
  • 女性: 38.3%
  • 男性: 61.7%

许可证

• 音频和转录: CC0-1.0
• 数据集整理: CC-BY-SA-3.0