syvai/danish-asr-unified

---
dataset_info:
features:
- name: text
dtype: string
- name: audio
dtype: audio
- name: source
dtype: string
splits:
- name: train
configs:
- config_name: default
data_files:
- split: train
path: data/train-*.parquet
license: cc-by-4.0
language:
- da
task_categories:
- automatic-speech-recognition
pretty_name: Danish ASR Unified Dataset
---

# Danish ASR Unified Dataset

Unified Danish speech recognition dataset combining 7 sources (~3.5M samples, ~16k hours):

| Source | Samples | Description |
|---|---|---|
| VoxPopuli | 1,775,578 | European Parliament recordings |
| ftspeech | 995,677 | Danish Parliament (Folketinget) |
| CoRal-v3 read_aloud | 299,255 | Read-aloud Danish speech |
| nst-da | 182,605 | NST Danish speech |
| CoRal-v3 conversation | 147,249 | Conversational Danish speech |
| nota | 98,600 | Danish broadcast media |
| Common Voice 17 | 3,484 | Crowd-sourced Danish speech |

All audio is 16kHz mono OGG Vorbis.

数据集信息：
特征字段：
- 字段名：text
数据类型：字符串
- 字段名：audio
数据类型：音频
- 字段名：source
数据类型：字符串
划分集：
- 名称：train
配置项：
- 配置名称：default
数据文件：
- 划分集：train
路径：data/train-*.parquet
许可证：CC BY 4.0
语言：
- 丹麦语（da）
任务类别：
- 自动语音识别（automatic-speech-recognition）
数据集名称：丹麦语自动语音识别统一数据集

# 丹麦语自动语音识别统一数据集

本数据集为整合7个来源的丹麦语语音识别数据集，包含约350万条样本、总计约1.6万小时音频数据：

| 来源 | 样本数量 | 描述 |
|---|---|---|
| VoxPopuli | 1,775,578 | 欧洲议会录音 |
| ftspeech | 995,677 | 丹麦议会（Folketinget）录音 |
| CoRal-v3 read_aloud | 299,255 | 朗读式丹麦语语音数据 |
| nst-da | 182,605 | NST丹麦语语音数据 |
| CoRal-v3 conversation | 147,249 | 会话式丹麦语语音数据 |
| nota | 98,600 | 丹麦广播媒体语音数据 |
| Common Voice 17 | 3,484 | 众包式丹麦语语音数据 |

所有音频均为16kHz单声道OGG Vorbis格式。