fiifinketia/navigation-corpus-dagbani-speech

---
language:
- dag
license: cc-by-4.0
task_categories:
- automatic-speech-recognition
- text-to-speech
multilinguality:
- monolingual
size_categories:
- 1K<n<10K
tags:
- speech
- dag
- ghana
- african-languages
- low-resource
- sentence-splits
- ctc-aligned
- vad-trimmed
pretty_name: Dag Sentence Speech Segments
---

# Dag Speech Segments (sentence splitting)

52799 speech-text pairs split from long recordings.

## Processing pipeline
1. Source audio from `ghananlpcommunity/navigation-corpus-speech-full-dagbani`
2. Full-file CTC forced alignment (MMS-300M) for word-level timestamps
3. Sentence-boundary splits (. ? !) — long sentences re-chunked to 16 words
4. Leading/trailing silence trimmed with VAD (-40 dBFS threshold)
5. Filtered: min 1.0s, max 15.0s
6. Original sample rate preserved

## Usage
```python
from datasets import load_dataset
ds = load_dataset("ghananlpcommunity/navigation-corpus-dagbani-speech", split="train")
```

---
language:
- 达格巴尼语（Dag）
license: CC BY 4.0
task_categories:
- 自动语音识别（automatic-speech-recognition）
- 文本转语音（text-to-speech）
multilinguality:
- 单语言（monolingual）
size_categories:
- 1000 < n < 10000
tags:
- 语音（speech）
- 达格巴尼语（Dag）
- 加纳（Ghana）
- 非洲语言（african-languages）
- 低资源语言（low-resource）
- 句子切分（sentence-splits）
- CTC对齐（ctc-aligned）
- VAD修剪（vad-trimmed）
pretty_name: 达格巴尼语句语音片段
---

# 达格巴尼语语音片段（句子切分版）

本数据集包含52799条语音-文本对，均从长录音中切分得到。

## 处理流程
1. 源音频取自`ghananlpcommunity/navigation-corpus-speech-full-dagbani`
2. 使用MMS-300M模型执行全文件CTC（Connectionist Temporal Classification，连接主义时间分类）强制对齐，以获取词级时间戳
3. 按照句子边界（.、?、!）进行切分；对于超长句子，将其重新分块为每段16个词的单元
4. 采用VAD（Voice Activity Detection，语音活动检测），以-40 dBFS为阈值，修剪音频首尾的静音片段
5. 过滤规则：保留时长介于1.0秒至15.0秒之间的样本
6. 全程保留音频的原始采样率

## 使用方法
python
from datasets import load_dataset
ds = load_dataset("ghananlpcommunity/navigation-corpus-dagbani-speech", split="train")