MightyStudent/Egyptian-ASR-MGB-3

该数据集是为埃及阿拉伯方言自动语音识别任务而收集、清理和调整的，适用于Whisper模型的微调/训练。数据集包含音频和句子两个主要特征，音频采样率为16000Hz，句子为埃及阿拉伯语的转录。数据集是从YouTube视频中收集的，每个视频的前12分钟被切割成30秒的片段。数据集支持自动语音识别任务，语言为埃及阿拉伯语。数据集的来源包括MGB挑战网站和YouTube。

原始信息汇总

数据集概述

基本信息

• 数据集名称： Egyptian Arabic dialect automatic speech recognition
• 数据集大小： 1K<n<10K
• 任务类别： automatic-speech-recognition
• 语言： Arabic - Egyptian dialect

数据字段

• audio： 采样率为16000Hz，最大时长30秒。
• sentence： 埃及阿拉伯语的转录文本。

数据集创建

• 源数据： 来自YouTube的视频，部分视频已被删除或设为私有。
• 数据处理： 从每个YouTube视频中截取前12分钟，切割成30秒的片段，上传至huggingface。

数据集用途

• 主要用途： 用于whisper微调/训练，适用于自动语音识别模型。

数据集来源

• 数据收集： 从YouTube收集约80个不同频道的节目，总计约16小时。
• 转录过程： 每个节目由四名转录员根据转录指南进行手动转录。