datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
kazakh_speech_dataset_ksdKazakh Speech Dataset cleaned, converted to parquet and with uppercase_transcription made with gpt4o_api.
Dataset info:
813 Speakers
with 500 samples for 4 speakers
with 250 samples for 809 speakers
Male/female
555 Hours
Guides
Load data 1
Replace the export HF_HOME with your HF_HOME path
from datasets import load_dataset
# export HF_HOME="/data/vladimir_albrekht/hf_cache"
ds = load_dataset("SRP-base-model-training/kazakh_speech_dataset_ksd") # split ='test' or… See the full description on the dataset page: https://huggingface.co/datasets/SRP-base-model-training/kazakh_speech_dataset_ksd.kazakh_speech_corpus_2
Kazakh_speech_dataset_2
This dataset contains Kazakh_speech_dataset_2 from ISSAI but in parquet format.
Dataset info
645,860 Utterances
1194 Hours in total
Sources in each split:
test : {'tv_news', 'crowdsourced', 'radio', 'talkshow', 'parliament', 'tts', 'podcasts'}
train : {'tv_news', 'crowdsourced', 'radio', 'talkshow', 'parliament', 'tts', 'podcasts'}
validation : {'tv_news', 'crowdsourced', 'radio', 'talkshow', 'parliament', 'tts','podcasts'}
Guides… See the full description on the dataset page: https://huggingface.co/datasets/SRP-base-model-training/kazakh_speech_corpus_2.reazonspeech-v2-based-yomi-inferred
ReazonSpeech v2 読み推定データセット
利用制限
本データセットは ReazonSpeech v2 を元に作成した派生データセットです。以下の規約が適用されます。
ライセンス：CDLA-Sharing-1.0
日本国著作権法第30条の4（情報解析）の範囲内でのみ利用可能
それ以外の用途での使用は不可
本データセットにアクセスすることで、上記の条件に同意したものとみなされます。
概要
ReazonSpeech v2 all の音声・字幕データを元に、形態素解析および読み推定を行って作成したデータセットです。
著作権保護の観点から、元の字幕テキスト（表層形）は含まれていません。各レコードには、元データのエントリを参照するIDと、形態素解析結果から抽出した読み・品詞・表層形の文字数のみが保持されています。
解説記事：https://zenn.dev/bellpepper0606/articles/e028355e06ad2a
データ構造… See the full description on the dataset page: https://huggingface.co/datasets/bellpepper0606/reazonspeech-v2-based-yomi-inferred.