ggfox00000/stt-mediaspeech-test

MediaSpeech — French test split

Split test de MediaSpeech (français) — extraits courts de médias (radio, TV, podcasts) collectés par MTS AI. Empaqueté en Parquet shardé avec audio FLAC embarqué.

Usage principal : benchmark ASR français (WER / CER) sur parole de diffusion (broadcast / médias).

Contenu

• —2498 utterances (segments ~10 s)
• —Audio : FLAC 16 kHz mono PCM_16
• —Langue : français (fr)
• —Licence : CC-BY-4.0 (héritée de MediaSpeech / OpenSLR 108)
• —Durée totale : 10.00 h

Colonnes

Utilisation

from datasets import load_dataset

ds = load_dataset("ggfox00000/stt-mediaspeech-test", split="test")
print(ds)
print(ds[0]["transcript"])
print(ds[0]["audio"]["sampling_rate"], ds[0]["audio"]["array"].shape)

Source

• —MediaSpeech (MTS AI) — https://www.openslr.org/108/
• —4 langues : Arabic / French / Spanish / Turkish (10h chacune)
• —Ce dataset = split français uniquement

Licence

CC-BY-4.0 (héritée de MediaSpeech upstream / OpenSLR 108).

Citation

@article{kolobov2021mediaspeech,
  title  = {MediaSpeech: Multilanguage ASR Benchmark and Dataset},
  author = {Kolobov, Rostislav and Okhapkina, Olga and Omelchishina, Olga and Platunov, Andrey and Bedyakin, Roman and Moshkin, Vyacheslav and Menshikov, Dmitrii and Mikhaylovskiy, Nikolay},
  journal= {arXiv preprint arXiv:2103.16193},
  year   = {2021},
}