ejbejaranos/MSMarco-ES-TTS-Big95.1ksamples

MSMarco-ES-TTS-Big95.1ksamples 🎙️📖


Extensión del dataset ejbejaranos/MSMarco-ES-TTS-small4.5ksamples que contiene 95,108 muestras adicionales de pares pregunta-respuesta en español convertidos a audio mediante síntesis de voz (TTS). Los samples son distintos a los de la versión anterior, por lo que pueden usarse como extensión.

🔍 Vista rápida

<p align="center"> <img src="https://cdn-uploads.huggingface.co/production/uploads/6419c2f6b4adb0e101b17b6c/RMn8zYdo_w9YW27VX7agY.png" alt="Descripción del proyecto" width="300"> </p>

🎧 Demostración de audio

Audio de instrucción (pregunta): <audio controls> <source src="https://datasets-server.huggingface.co/assets/ejbejaranos/MSMarco-ES-TTS-small4.5ksamples/--/88332936fb23d6d434af182330c0acec959e620b/--/default/train/0/instruction_audio/audio.mp3" type="audio/mpeg"> Tu navegador no soporta audio HTML5. </audio>

Audio de respuesta: <audio controls> <source src="https://datasets-server.huggingface.co/assets/ejbejaranos/MSMarco-ES-TTS-small4.5ksamples/--/88332936fb23d6d434af182330c0acec959e620b/--/default/train/0/output_audio/audio.mp3" type="audio/mpeg"> </audio>

📚 Descripción

Dataset generado a partir de MS Marco ES mediante:

1. 1.Filtrado de preguntas que comienzan con "¿" o "?"
2. 2.Balanceo entre respuestas positivas/negativas
3. 3.Conversión a audio usando la API de TTS de ITCL con múltiples voces

🏷️ Características clave

• —🗃️ Muestras totales: 95,108
• —🔊 Formato audio: MP3 @ 22.05kHz
• —🗣️ Voces TTS: ef_dora, m_alex, em_santa
• —🌐 Idioma: Español (ES)
• —📦 Estructura:

  {
    "query": "texto de pregunta",
    "response": "texto de respuesta", 
    "audio_path": "ruta/al/audio.mp3"
  }```


## 💻 Uso

from datasets import load_dataset

dataset = load_dataset("ejbejaranos/MSMarco-ES-TTS-small95.1ksamples") print(dataset["train"][0]) # Muestra primera entrada

## 🛠️ Proceso de creación





El dataset fue creado utilizando las siguientes etapas:

1. Extracción: 95k+ preguntas del dataset original

2. Generación: Conversión TTS con rotación de voces

3. Validación: Filtrado de audios corruptos

4. Publicación: Carga a Hugging Face Hub

## 📝 Ejemplo completo

{ "query": "¿Cómo puedo mejorar mi salud cardiovascular?", "response": "Hacer ejercicio regularmente y mantener una dieta balanceada ayuda a mejorar la salud cardiovascular.", "audiopath": "audiodataset/sample_0001.mp3" }

## 🤝 Contribuciones
¡Se aceptan contribuciones! Reporta problemas o sugerencias en:

## 📬 Contacto
Edison Bejarano

- ✉️ Email: ejbejaranos@gmail.com

- 🏢 Institucional: edison.bejarano@itcl.es



<p align="center">
  <img src="https://cdn-uploads.huggingface.co/production/uploads/6419c2f6b4adb0e101b17b6c/uH4GuNj1cGgfrtdiDQbMG.png" alt="ITCL Logo" width="300">
</p>