acidente/fala_pb

fala_pb — Paraíba Speech Corpus

Unified corpus of Paraíba (Brazil) speech for ASR/TTS. 34,866 audio files (~111.8 h) in wavs/part_1/ … wavs/part_4/ (max 10,000 files per folder, split by numeric range: part_1 = 1–10000, part_2 = 10001–20000, part_3 = 20001–30000, part_4 = 30001–34866), with metadata in metadata.csv.

Sources

metadata.csv

Comma-separated, UTF-8. Main columns: id (falapb000001…), file_name (wavs/partX/N.wav), `text`, `normalizedtext (lowercase, no punctuation), source, subset, speakerid`, `state` (PB), `city`, `gender`, `agegroup, accentlabel` (paraibano), `speechtype (read/interview/unknown), durations`, `samplerate, split (all train), license (MIT), redistributable, consentpublication`, `originalpath, original_id, notes`.

Extra columns from colingpb (empty for other sources): quality_label, quality_score, training_use, disfluency_index — use them to filter segments recommended for training (e.g. training_use == "Prioridade").

Notes

• —Sample rates vary by source (16 kHz, 22.05 kHz, 24 kHz, 48 kHz) — see the sample_rate column.
• —colingpb transcriptions contain disfluency marks (..., /); normalized_text is already clean.
• —All audios have publication consent; speakers are anonymized via speaker_id.

Citation

If you use fala_pb, you must cite this corpus and the respective source datasets (CoLingPB, BraCCent, and Sotaque Brasileiro, according to the subsets you use).

fala_pb

ABNT:

DINIZ, Thomaz. Incorporando regionalismos e sotaques em modelos de síntese de fala. 2026. Dissertação (Mestrado em Ciência da Computação) — Universidade Federal de Campina Grande, Campina Grande, 2026.

BibTeX:

@mastersthesis{diniz2026regionalismos,
  author  = {Diniz, Thomaz},
  title   = {Incorporando Regionalismos e Sotaques em Modelos de S{\'i}ntese de Fala},
  school  = {Universidade Federal de Campina Grande},
  address = {Campina Grande, Brazil},
  year    = {2026},
  type    = {Master's dissertation}
}

CoLingPB (Corpus Linguístico da Paraíba)

ABNT:

STEIN, Cirineu Cecote et al. Corpus Linguístico da Paraíba (CoLingPB). João Pessoa: Universidade Federal da Paraíba, 2015. Disponível em: http://cchla.ufpb.br/colingpb.

BibTeX:

@misc{colingpb,
  author       = {Stein, C. C. and others},
  title        = {Corpus Linguístico da Paraíba (CoLingPB)},
  year         = {2015},
  address      = {João Pessoa--PB},
  institution  = {Universidade Federal da Paraíba},
  howpublished = {\url{http://cchla.ufpb.br/colingpb}}
}

BraCCent

ABNT:

BATISTA, Nathália Alves Rocha. Estudo sobre identificação automática de sotaques regionais brasileiros baseada em modelagens estatísticas e técnicas de aprendizado de máquina. 2019. Dissertação (Mestrado em Engenharia Elétrica) — Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, 2019. Disponível em: https://www.repositorio.unicamp.br/acervo/detalhe/1088188.

BibTeX:

@mastersthesis{braccent,
  author  = {Nathalia Alves Rocha Batista},
  title   = {Estudo sobre identificação automática de sotaques regionais brasileiros baseada em modelagens estatísticas e técnicas de aprendizado de máquina},
  school  = {Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação},
  year    = {2019},
  type    = {Dissertação de Mestrado},
  address = {Campinas, SP},
  url     = {https://www.repositorio.unicamp.br/acervo/detalhe/1088188}
}

Sotaque Brasileiro

ABNT:

MILAN, Gabriel Gazola. gabriel-milan/sotaque-brasileiro: Sotaque Brasileiro. Versão 2021-09-06. [S. l.]: Zenodo, 2021. DOI: 10.5281/zenodo.5466945. Disponível em: https://doi.org/10.5281/zenodo.5466945.

BibTeX:

@misc{sotaque_brasileiro,
  author    = {Gabriel Gazola Milan},
  title     = {{gabriel-milan/sotaque-brasileiro: Sotaque Brasileiro}},
  month     = sep,
  year      = 2021,
  publisher = {Zenodo},
  version   = {2021-09-06},
  doi       = {10.5281/zenodo.5466945},
  url       = {https://doi.org/10.5281/zenodo.5466945}
}