Alvenir/alvenir_asr_da_eval

该数据集由Alvenir创建，旨在评估丹麦语的自动语音识别（ASR）模型，也可用于训练，但数据量有限。数据集包含.wav文件和对应的参考文本，数据量略超过5小时，来自50名年龄在20至60岁之间的说话者。数据通过第三方供应商的软件和人员收集，并经过验证。

原始信息汇总

数据集概述

数据集描述

数据集总结

• 创建者：Alvenir
• 目的：评估丹麦语的自动语音识别（ASR）模型
• 包含内容：.wav音频文件及其对应的参考文本
• 数据量：约5小时，涵盖50名年龄在20至60岁之间的说话者
• 数据来源：第三方供应商通过其软件和人收集，所有录音均已验证

数据集结构

数据实例

• 组成：音频文件路径及其对应的句子
• 未来可能添加的额外信息：年龄和性别

数据字段

• 音频：包含音频文件路径、解码后的音频数组和采样率
• 句子：用户被提示说的句子

数据分割

• 用途：作为丹麦语ASR的测试/评估数据集
• 分割方式：仅包含测试分割

数据集创建

提示/句子选择

• 来源：丹麦语的开源字幕（OSS）和维基百科（WIKI）
• 选择方法：OSS随机抽样确保所有提示唯一；WIKI通过训练30个主题的模型后，从每个主题随机抽样等量的唯一句子
• 所有句子均经过人工检查

录音

• 参与者：50名独特说话者
• 录音内容：每人发送20个WIKI句子和60个OSS句子
• 录音方式：通过第三方录音软件进行

评估

• 评估方式：第三方确认音频与文本的对齐

个人和敏感信息

• 使用协议：不得尝试确定数据集中任何说话者的身份

许可信息

• 许可类型：cc-by-4.0