orlandoju/heller-gpt-dataset

🧉 Heller-GPT Dataset

Dataset de entrevistas de Heller en formato ChatML multi-turn, diseñado para fine-tuning de LLMs.

📋 Descripción

• —Fuente: Entrevistas de YouTube (canales de noticias y política argentina)
• —Procesamiento: Audio → Whisper (transcripción) → PyAnnote/SpeechBrain (diarización) → ChatML
• —Formato: Conversaciones multi-turn con roles system, user (entrevistador), assistant (Heller)
• —Idioma: Español rioplatense argentino

📊 Estadísticas

🔧 Uso

from datasets import load_dataset
dataset = load_dataset("orlandoju/heller-gpt-dataset")

📐 Formato

Cada fila tiene una columna messages con una lista de dicts:

[
  {"role": "system", "content": "Sos Heller-GPT..."},
  {"role": "user", "content": "¿Qué opinás sobre...?"},
  {"role": "assistant", "content": "Yo creo que..."}
]

🏗️ Pipeline

1. 1.Scraping (yt-dlp) → audio de entrevistas de YouTube
2. 2.Transcripción (WhisperX) → texto con timestamps
3. 3.Diarización (PyAnnote + SpeechBrain) → identificación de speakers
4. 4.Preparación → formato ChatML multi-turn

⚖️ Licencia

CC BY-SA 4.0 — El contenido original pertenece a los canales de YouTube y a Heller. Este dataset se distribuye con fines educativos y de investigación.