File size: 2,271 Bytes
e41cf8c d7b05c5 e41cf8c d7b05c5 ee81360 d7b05c5 faed224 c0c5d36 faed224 d7b05c5 faed224 c0c5d36 faed224 d7b05c5 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 |
---
dataset_info:
features:
- name: audio
dtype:
audio:
sampling_rate: 24000
- name: sentence
dtype: string
- name: locale
dtype: string
splits:
- name: train
num_bytes: 42948049993.36226
num_examples: 1475164
- name: validation
num_bytes: 3704311611.004745
num_examples: 126535
download_size: 46216904874
dataset_size: 46652361604.367004
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
license: apache-2.0
task_categories:
- automatic-speech-recognition
- text-to-speech
language:
- ru
- be
- uk
pretty_name: ToneSlavic
---
# ToneSlavic
**ToneSlavic** — это датасет, собранный из русских, белорусских и украинских сплитов датасета [Common Voice Corpus 21.0](https://commonvoice.mozilla.org/ru/datasets). В выборку вошли только фразы из файлов `validated.tsv`.
---
## Описание
Для каждого примера предоставляются:
1. **Ссылка на MP3-файл** (`audio`)
2. **Текстовая расшифровка** (`text`)
3. **Язык примера** (`locale`)
- `ru` — русский
- `be` — белорусский
- `uk` — украинский
В датасете представлены следующие статистики по сплитам и языкам:
- **Train (1 475 164 строк, 1 968.22 часов аудио):**
- `ru`: 156 576 строк ( 223.27 ч)
- `be`: 1 247 914 строк (1 653.54 ч)
- `uk`: 70 674 строк ( 91.42 ч)
- **Validation (126 535 строк, 168.93 часов аудио):**
- `ru`: 13 428 строк ( 19.13 ч)
- `be`: 106 943 строк (141.82 ч)
- `uk`: 6 164 строк ( 7.97 ч)
---
## Формат записи (JSON)
```json
{
"audio": "https://.../train/0000079.mp3",
"text": "Па ёй можна было перамяшчацца толькі пешшу, на конях ці на мулах.",
"locale": "be"
}
````
---
## Пример использования
```python
from datasets import load_dataset
ds = load_dataset("Vikhrmodels/ToneSlavic")
``` |