Datasets:

Vikhrmodels
/

ToneSlavic

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. В выборку вошли только фразы из файлов validated.tsv.

Описание

Для каждого примера предоставляются:

Ссылка на MP3-файл (audio)
Текстовая расшифровка (text)
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)

{
  "audio": "https://.../train/0000079.mp3",
  "text": "Па ёй можна было перамяшчацца толькі пешшу, на конях ці на мулах.",
  "locale": "be"
}

Пример использования

from datasets import load_dataset

ds = load_dataset("Vikhrmodels/ToneSlavic")