Sagarmatha V6 尼泊尔语语音识别语料

计算机视觉
0 下载
2 浏览
2026-09-25

数据集简介

语料构成

Sagarmatha V6 语料面向尼泊尔语自动语音识别任务,是 Sagarmatha V6 Whisper 微调模型训练与评分所依据的数据集合。原始素材为 2,152 个尼泊尔语 YouTube 视频,合计 1,505.4 小时音频,其中 1,347.3 小时被判定为语音。所有素材由教师模型 gemini-3.6-flash 完成标注,随后进行强制对齐并切分为不超过 30 秒的窗口,最终形成 1,270.6 小时、280,376 个窗口的语料。每个窗口除音频外还携带是否含语音的标记与视频语域标签,并最多附带四种转写模式的目标文本。

数据划分

语料按用途划分为四个子集,各子集规模如下:

子集 窗口数 时长(小时) 视频数
train 270,055 1,223.5 2,029
validation 2,802 12.6 61
test_in_domain 5,627 25.7 29
test_channel 1,892 8.8 8

每个子集均为 V6 模型实际训练与评分所用的同一份 FLAC 音频,规格为 16 kHz、16-bit 单声道,全部音频合计 82.8 GB,其中 train 子集约 80 GB。

四种转写模式

每个窗口最多提供四种目标文本,由书写系统与转写风格两个维度交叉组合而成:

  • text_deva_verbatim:天城文逐字转写
  • text_deva_clean:天城文清洗转写
  • text_mixed_verbatim:天城文与拉丁字母混写、逐字转写
  • text_mixed_clean:天城文与拉丁字母混写、清洗转写

这一设计让同一段音频可以对应不同书写系统与规范化程度的标注,便于按研究需要选择训练目标。

字段与使用方式

每条记录包含以下字段:split、audio、text_deva_verbatim、text_deva_clean、text_mixed_verbatim、text_mixed_clean、is_speech 以及 register(视频语域标签)。音频以 FLAC 无损格式存储,文本以 parquet 组织。由于 train 子集约 80 GB,加载时使用 streaming=True 可避免整体下载。

语域分布

语料附带视频语域标签 register,用于描述各窗口所属视频的内容类型,便于在训练与评测中按语域分析模型表现。

参考结果

该语料是 Sagarmatha V6 Whisper 微调模型训练与评分的基准数据,相关参考结果对应 V6 模型在各子集上的识别表现,可作为后续模型对比的参照。

已知限制

音频全部来自公开 YouTube 视频,版权归原视频创作者所有,使用者不得再分发音频。标注由教师模型自动生成,转写质量受教师模型能力约束。访问权限人工审批,仅限非商业研究用途。

许可与访问

许可标识为 youtube-audio-research-access-on-request。仓库公开可见,但需登录并接受使用条件,经人工审批后方可获得访问权限;仅限非商业研究。请求访问即表示同意不再分发音频。

基本信息

记录数量未知
文件大小1,270.6 小时、280,376 个窗口;音频总计 82.8 GB
文件格式parquet, FLAC
数据来源Sagarmatha V6 项目组
音频规格16 kHz、16-bit 单声道
数据规模1,270.6 小时、280,376 个窗口
子集划分train / validation / test_in_domain / test_channel
许可youtube-audio-research-access-on-request
访问方式登录申请、人工审批
数据落地页https://huggingface.co/datasets/tonibirat/nepali-asr-v6
发布日期2026-09-25
尼泊尔语语音识别语音语料Whisper微调自动语音识别

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