SKNahin/open-large-bengali-asr-data

这是一个公开可用的孟加拉语自动语音识别（ASR）数据集集合，包含5000小时的音频数据。数据集包含音频文件及其转录文本，以及其他相关特征如音频时长、采样率、Wav2Vec2模型的预测结果、词错误率（WER）、每秒单词数（WPS）和音频质量标记（is_better）。数据集分为多个子集，如commonvoice、openslr、madasr等，每个子集都有详细的字节数和样本数。该数据集主要用于孟加拉语的自动语音识别任务。

原始信息汇总

数据集概述

数据集特征

• audio: 音频数据，数据类型为音频。
• transcription: 转录文本，数据类型为字符串。
• duration: 音频时长，数据类型为浮点数。
• sr: 采样率，数据类型为整数。
• wav2vec2pred: 基于Wav2Vec2模型的预测结果，数据类型为字符串。
• wer: 词错误率，数据类型为浮点数。
• wps: 每秒单词数，数据类型为浮点数。
• is_better: 质量过滤标志，数据类型为布尔值。

数据集分割

• commonvoice: 数据大小为26613419533.408字节，包含963636个样本。
• openslr: 数据大小为2246649669.92字节，包含198789个样本。
• madasr: 数据大小为6101023454.02字节，包含372065个样本。
• shrutilipi: 数据大小为5017828548.87字节，包含246370个样本。
• flerus: 数据大小为120214199.914字节，包含3006个样本。
• kathbath: 数据大小为92451768.598字节，包含4589个样本。
• indictts: 数据大小为227151543.152字节，包含12752个样本。
• ucla: 数据大小为20343224982.168字节，包含1921116个样本。
• gali: 数据大小为345715480字节，包含10000个样本。

数据集大小

• 下载大小: 58948504311字节。
• 数据集大小: 61107679180.05001字节。

配置

• 默认配置: 包含多个分割的数据文件路径。

任务类别

• automatic-speech-recognition

语言

• bn

大小类别

• 1M<n<10M