RetaSy/quranic_audio_dataset

我们探索了众包一个精心标注的古兰经数据集的可能性，在此基础上可以构建AI模型以简化学习过程。特别是，我们使用基于志愿者的众包类型，并实现了一个众包API来收集音频资源。我们开发了一个名为Quran Voice的众包平台来标注收集的音频资源。结果，我们从11个以上非阿拉伯国家的1287名参与者中收集了约7000个古兰经诵读音频，并从数据集中标注了1166个诵读音频，分为六个类别。我们达到了0.77的众包准确率，标注者之间的评分一致性为0.63，算法分配的标签与专家判断之间的一致性为0.89。

原始信息汇总

数据集概述

数据集名称

• 名称: Quranic Audio Dataset - Crowdsourced and Labeled Recitation from Non-Arabic Speakers

数据集特征

• audio (dict): 包含音频文件路径、解码后的音频数组和采样率。
• Surah (string): 古兰经的章节。
• Aya (string): 古兰经章节中的特定诗句。
• duration_ms (int64): 音频记录的持续时间，以毫秒为单位。
• create_date (string): 音频记录的创建日期和时间。
• golden (bool): 音频样本是否由专家标记。
• final_label (string): 音频样本的共识标签，指示朗诵的分类。
• reciter_id (string): 朗诵者的唯一标识符。
• reciter_country (string): 朗诵者的国家。
• reciter_gender (string): 朗诵者的性别。
• reciter_age (string): 朗诵者的年龄。
• reciter_qiraah (string): 朗诵者使用的朗诵风格。
• judgments_num (int64): 每个音频样本的评判或注释数量。
• annotation_metadata (string): 与每个音频样本的注释相关的元数据。

数据集结构

• 训练集 (train): 包含6828个样本，总大小为1290351809.656字节。

任务类别

• automatic-speech-recognition
• audio-classification

语言

• ar (阿拉伯语)

标签

• Crowdsourcing
• Quranic recitation
• Non-Arabic Speakers

引用信息

@inproceedings{quran_audio_dataset:2024, author = {Raghad Salameh, Mohamad Al Mdfaa, Nursultan Askarbekuly, Manuel Mazzara}, title = {Quranic Audio Dataset: Crowdsourced and Labeled Recitation from Non-Arabic Speakers}, year = 2024, eprint = {2405.02675}, eprinttype = {arxiv}, eprintclass = {cs.SD}, url = {https://arxiv.org/abs/2405.02675}, language = {english} }