波斯语语音文本分块数据集

音视频
0 下载
16 浏览
2026-09-06

数据集简介

数据集卡片

Gooshkon-chunks 是一个波斯语语音-文本数据集,专为自动语音识别(ASR)任务设计。数据模态为音频和文本,格式为 Parquet。数据集的规模为 100K - 1M 行,具体包含一个默认子集(default),其中训练集(train)分割共有 264k 行。

每一行包含一个可播放的 MP3 音频字节(存储在 audio 列中),以及多个转录文本字段:

  • koochik_transcript:字符串类型,可能为基准转录。
  • gemini37_transcript:字符串类型,可能为模型生成的转录。
  • gemini37_persian_normalized_transcript:字符串类型,可能为经过波斯语规范化的转录。

音频按检测到的静音区间进行切分,目标时长约为 30 秒,安全范围为 12–48 秒。这种切分方式有助于生成适合 ASR 训练的短音频片段。

数据预览(Data Studio)

在 Hugging Face 数据集页面的 Data Studio 中,用户可以交互式地预览数据行,查看音频波形和转录文本,便于快速了解数据结构和内容。

文件与版本(Files and versions)

数据集以 Parquet 格式存储,音频以 MP3 格式嵌入。用户可以通过 Hugging Face 的 datasets 库加载数据,或直接下载 Parquet 文件。

社区(Community)

该数据集由 Reza2kn 发布,社区用户可以在 Hugging Face 上讨论、反馈问题或贡献改进。

基本信息

记录数量100K - 1M(264k rows)
文件大小未知
文件格式parquet
数据来源Reza2kn
音频格式MP3
语言波斯语
任务自动语音识别
子集default
分割train
行数264k
数据落地页https://huggingface.co/datasets/Reza2kn/gooshkon-chunks
发布日期2026-09-06
波斯语语音识别音频文本MP3ASR

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费