flozi00/asr-german-mixed

该数据集是一个结合了Commonvoice 17.0和Multilingual librispeech两个来源的德语语音数据集。数据经过过滤、标准化和语法校正处理，以确保高质量。数据集主要用于自动语音识别（ASR）模型训练、自然语言处理（NLP）研究和文本到语音应用。

原始信息汇总

数据集概述

数据集名称

• 名称：ASR-German-Mixed

数据集特征

• audio:
  • 数据类型：音频
  • 采样率：16000
• transkription:
  • 数据类型：字符串
• source:
  • 数据类型：字符串

数据集划分

• train:
  • 数据量：41615466145.16字节
  • 样本数：930960

数据集大小

• 总大小：41615466145.16字节

下载大小

• 下载大小：121819232271字节

任务类别

• 自动语音识别（Automatic Speech Recognition）

语言

• 德语（de）

数据集来源

• Commonvoice 17.0:
  • 描述：一个由全球志愿者贡献声音创建的公开语音数据集，包含多种语言，包括德语。
• Multilingual librispeech:
  • 描述：一个广泛的多语言语料库，适合语言研究，基于LibriVox的有声书朗读，包含德语录音。

数据处理步骤

1. 过滤：仅从源数据集中提取德语句子。
2. 规范化：文本统一格式，消除不一致性。
3. 语法修正：修正错误的语法，提高句子质量。

使用目的

• ASR模型训练
• NLP研究
• 文本到语音应用