basis-ai/basis-conversations-1500
Dataset Card for Basis Conversations 1500 Listen first: sample conversations Overview Basis Conversations 1500 is a multi-party, multilingual, full duplex conversational speech dataset. Each conversation includes up to 4 simultaneous speakers, each with channel-separated, 48 kHz audio. The median conversation lasts 33 minutes and 2,645 unique speakers are represented. Multi-party: a conversation seats between two and four people at a time; participants come… See the full description on the dataset page: https://huggingface.co/datasets/basis-ai/basis-conversations-1500.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tuần
🎙️ Basis Conversations 1500 — Bộ dữ liệu hội thoại đa người đa ngôn ngữ chất lượng cao
Một bộ dữ liệu toàn diện với hơn 2.600 người tham gia, hỗ trợ 23 ngôn ngữ, thiết kế cho các tác vụ nhận dạng giọng nói và phân loại âm thanh.
Basis Conversations 1500 là một bộ dữ liệu âm thanh hội thoại đa người (multi-party), đa ngôn ngữ (multilingual), hỗ trợ truyền nhận full-duplex. Mỗi cuộc trò chuyện có tới 4 người nói đồng thời, với âm thanh được tách kênh (channel-separated) ở tần số mẫu 48 kHz. Độ dài trung bình của mỗi cuộc trò chuyện là 33 phút, và tổng cộng có 2.645 người nói duy nhất được tham gia.
✨ Điểm nổi bật
- Đa người tham gia: Mỗi cuộc trò chuyện có từ 2 đến 4 người nói cùng lúc, với sự tham gia và rời đi của từng người.
- Đa ngôn ngữ: Hỗ trợ 23 ngôn ngữ khác nhau từ 33 quốc gia.
- Chất lượng âm thanh cao: Âm thanh được ghi ở tần số mẫu 48 kHz với kênh tách riêng cho từng người nói.
- Thời lượng dài: Trung bình mỗi cuộc trò chuyện kéo dài 33 phút.
- Số lượng lớn: Tổng cộng 2.645 người nói độc nhất.
- Hỗ trợ nhiều nhiệm vụ: Phù hợp cho cả nhận dạng giọng nói (ASR) và phân loại âm thanh.
- Dữ liệu gốc: Được thu thập và xử lý ban đầu bởi đội ngũ Basis AI.
- Giấy phép sử dụng: Yêu cầu xác nhận truy cập và đồng ý điều khoản bảo vệ dữ liệu cá nhân.
💡 Vì sao đáng chú ý
Khác biệt với các bộ dữ liệu hội thoại thông thường, Basis Conversations 1500 được thiết kế đặc biệt cho môi trường đa người thực tế, nơi nhiều người có thể nói đồng thời. Điều này giúp mô hình AI có thể học cách xử lý âm thanh phức tạp trong các tình huống thực tế như cuộc họp, lớp học, hay các cuộc trò chuyện nhóm. Bộ dữ liệu này rất hữu ích cho các nhà nghiên cứu phát triển các mô hình nhận dạng giọng nói mạnh mẽ và các hệ thống phân tích âm thanh trong môi trường đa người.
#BasisConversations1500 #MultilingualDataset #SpeechRecognition #AudioClassification #TiniX
Similar Projects
Discover other similar projects and AI models.
Dataset Card for Wikimedia Wikipedia Dataset Summary Wikipedia dataset containing cleaned articles of all languages. The dataset is built from the Wikipedia dumps (https://dumps.wikimedia.org/) with one subset per language, each containing a single train split. Each example contains the content of one full Wikipedia article with cleaning to strip markdown and unwanted sections (references, etc.). All language subsets have already been processed for recent dump… See the full description on the dataset page: https://huggingface.co/datasets/wikimedia/wikipedia.
Wikipedia dataset containing cleaned articles of all languages. The datasets are built from the Wikipedia dump (https://dumps.wikimedia.org/) with one split per language. Each example contains the content of one full Wikipedia article with cleaning to strip markdown and unwanted sections (references, etc.).
C4 Dataset Summary A colossal, cleaned version of Common Crawl's web crawl corpus. Based on Common Crawl dataset: "https://commoncrawl.org". This is the processed version of Google's C4 dataset We prepared five variants of the data: en, en.noclean, en.noblocklist, realnewslike, and multilingual (mC4). For reference, these are the sizes of the variants: en: 305GB en.noclean: 2.3TB en.noblocklist: 380GB realnewslike: 15GB multilingual (mC4): 9.7TB (108 subsets, one… See the full description on the dataset page: https://huggingface.co/datasets/allenai/c4.
CulturaX Cleaned, Enormous, and Public: The Multilingual Fuel to Democratize Large Language Models for 167 Languages Dataset Summary We present CulturaX, a substantial multilingual dataset with 6.3 trillion tokens in 167 languages, tailored for large language model (LLM) development. Our dataset undergoes meticulous cleaning and deduplication through a rigorous pipeline of multiple stages to accomplish the best quality for model training, including language… See the full description on the dataset page: https://huggingface.co/datasets/uonlp/CulturaX.
Dataset Card for WikiANN Dataset Summary WikiANN (sometimes called PAN-X) is a multilingual named entity recognition dataset consisting of Wikipedia articles annotated with LOC (location), PER (person), and ORG (organisation) tags in the IOB2 format. This version corresponds to the balanced train, dev, and test splits of Rahimi et al. (2019), which supports 176 of the 282 languages from the original WikiANN corpus. Supported Tasks and Leaderboards… See the full description on the dataset page: https://huggingface.co/datasets/unimelb-nlp/wikiann.
OpenAssistant Conversations Dataset (OASST1) Dataset Summary In an effort to democratize research on large-scale alignment, we release OpenAssistant Conversations (OASST1), a human-generated, human-annotated assistant-style conversation corpus consisting of 161,443 messages in 35 different languages, annotated with 461,292 quality ratings, resulting in over 10,000 fully annotated conversation trees. The corpus is a product of a worldwide crowd-sourcing effort… See the full description on the dataset page: https://huggingface.co/datasets/OpenAssistant/oasst1.
Dataset Card for OPUS-100 Dataset Summary OPUS-100 is an English-centric multilingual corpus covering 100 languages. OPUS-100 is English-centric, meaning that all training pairs include English on either the source or target side. The corpus covers 100 languages (including English). The languages were selected based on the volume of parallel data available in OPUS. Supported Tasks and Leaderboards Translation. Languages OPUS-100… See the full description on the dataset page: https://huggingface.co/datasets/Helsinki-NLP/opus-100.
The Open Super-large Crawled ALMAnaCH coRpus is a huge multilingual corpus obtained by language classification and filtering of the Common Crawl corpus using the goclassy architecture.\
Dataset Card for FLORES+ FLORES+ is an evaluation benchmark dataset for multilingual machine translation. Dataset Details Dataset Description FLORES+ is a multilingual machine translation benchmark released under CC BY-SA 4.0. This dataset was originally released by FAIR researchers at Meta under the name FLORES. Further information about these initial releases can be found in Dataset Sources below. The data is now being managed by OLDI, the Open… See the full description on the dataset page: https://huggingface.co/datasets/openlanguagedata/flores_plus.