uam-wmi-asr-eval-labs/2025-zwesui-g03-debata-prezydencka

ZWESUI 2025 - Grupa 3 - debata prezydencka 2025

Robocza/archiwalna kopia zbioru ewaluacyjnego ASR zbudowanego przez studentow kursu Warsztaty z ewaluacji systemow rozpoznawania mowy (UAM WMI), edycja 2025 (pierwsza), tryb niestacjonarny.

• —Zespol (atrybucja): Grupa 3 (2025)
• —Zrodlo oryginalne: https://huggingface.co/datasets/directtt/polishpresidentialdebate
• —Domena: debata prezydencka
• —Opis: Debata prezydencka TVP z 12 maja 2025 — 13 kandydatów, 195 wypowiedzi, mowa spontaniczna. Kopia repackagingu BIGOS-format z amu-cai/polishpresidentialdebate-2025 (statyczny Parquet, schemat BIGOS V2).
• —Licencja zrodla: upstream directtt/polishpresidentialdebate Apache 2.0; repackaging BIGOS-format (amu-cai/polishpresidentialdebate-2025) CC-BY-NC-4.0
• —Status: kopia publiczna w organizacji kursowej; oryginał publiczny. Planowane włączenie do BIGOS V3 i Polish ASR Leaderboard V2 (do końca 2026).

Kopia utworzona 2026-08-15 (wlaczenie edycji 2025 do organizacji). Konwencja nazwy: {rok}-{tryb}-g{NN}-{domena}.

Oryginalny opis (kopia w formacie BIGOS, amu-cai)

Polish Presidential Debate 2025 (BIGOS-format)

BIGOS-V2-compatible repackaging of directtt/polish_presidential_debate (Apache 2.0, Dudek et al. 2025) for use with the BIGOS V3 platform ASR evaluation pipeline. 195 samples (13 candidates × ~15 utterances each) from the TVP Polish Presidential Debate on 12 May 2025.

Source

• —Upstream corpus: directtt/polish_presidential_debate (Apache 2.0)
• —Pinned revision: ae67d748a50d
• —Audio source: DEBATA PREZYDENCKA TVP | 12.05.2025
• —Authors: Dudek Marcel, Jerzykiewicz Sebastian, Rybczyński Jędrzej, Solarski Antoni (2025)
• —Repackaging: Michał Junczyk, AMU CAI (2026-05). BIGOS V2 schema mapping + Parquet conversion, no audio modification.

Why a separate repo

The upstream directtt/polish_presidential_debate ships as a script-based HF dataset (loader at polish_presidential_debate.py), which requires trust_remote_code=True to load. The BIGOS platform's ADR-040 policy blocks that flag for safety. This repository serves identical audio + transcripts as a static Parquet dataset, removing the policy block and enabling reproducible loading via plain load_dataset().

Sample distribution

13 candidates × 15 utterances each = 195 samples. Each candidate is a separate dataset subset value, enabling natural stratified sampling in the BIGOS scenario loader.

Schema (BIGOS V2 compatible)

License

• —Original audio + transcripts: Apache 2.0 (per upstream directtt/polish_presidential_debate)
• —BIGOS schema mapping (this repo's curation): CC-BY-NC-4.0

When using this dataset, please cite the original authors:

@misc{polish_presidential_debate,
  title = {Polish Presidential Debate ASR Dataset},
  author = {Dudek Marcel, Jerzykiewicz Sebastian, Rybczyński Jędrzej, Solarski Antoni},
  year = {2025}
}

Usage

from datasets import load_dataset

ds = load_dataset("amu-cai/polish_presidential_debate-2025", split="test")
print(ds[0]["audioname"], ds[0]["ref_orig"][:80])

BIGOS evaluation pipeline

./scripts/benchmark/run_long_eval.sh --scenario debate-test --sync-cache