图森市市长与市议会会议目录及转写

音视频
0 下载
2 浏览
2026-09-24

数据集简介

项目缘起

图森市将市长与市议会的公开会议录音长期托管于 Internet Archive 的 cotaz 集合,但这些录音本身缺少便于程序读取的结构化入口。本项目(AZ Civic Archive 子集)以该市官方永久镜像为基础,为每场会议建立一条记录,并整理随会议保留的字幕与转写文本,使会议内容可用于检索、说话人归属比较等分析。会议视频与音频文件并不在本仓库中重复存放,archive.org 永久托管原始文件,目录中的每条记录都保留指向原始页面的链接。

仓库内容

仓库以 JSONL 元数据为核心,并分层组织字幕与转写文件:

  • metadata.jsonl:每场会议一条记录,共 75 条;字段包括 identifier、title、meeting_date/upload_date、agenda_text、duration_s、item_page、files、caption_path_in_repo。
  • transcripts/*.vtt:保留的 YouTube 自动字幕,覆盖 61 场会议。
  • speaker_transcripts/*.jsonl:说话人标注转写,采用 Nemotron-3-Diarization 窗口并结合字幕线索或 ASR 对齐,覆盖 74 场会议。
  • named_transcripts/*.jsonl:在说话人标注基础上增加 speaker_name 字段,命名对照按日期锚定的名单完成。
  • canary_transcripts/*.jsonl:nvidia/canary-1b-v2 统一重转写结果,按轮次组织。
  • canary_named/*.jsonl:重转写结果经同一命名流程处理后的文件。
  • coverage_table_section.md:VTT 字幕与 canary-1b-v2 逐会议质量对比表。
  • 流水线脚本:tucson_catalog_ingest.py、tucson_diarize_align.py、tucson_canary_diarize.py、tucson_canary_v2_hf.py、tucson_name_speakers.py、coverage_report.py。

仓库整体约 253 MB。2024-05-06 一场会议因音频损坏,在统一重转写中被记录为跳过。

统一重转写结果

全部 75 项会议均使用 nvidia/canary-1b-v2 完成统一重转写,以替代来源不一的 YouTube 自动字幕,形成口径一致的文本基础。在此基础上,说话人命名流程将平均说话人命名覆盖率从 VTT 字幕的 68% 提升到 75%。逐场会议的 VTT 与 canary-1b-v2 质量对比可在仓库的 coverage_table_section.md 中查阅。

来源与使用

数据源自图森市在 Internet Archive 的 cotaz 集合,由 Hugging Face 用户 ACloudCenter(Josh Estrada)整理发布,属于 AZ Civic Archive 项目子集。数据集在 Hugging Face 上公开、非 gated、非私有,可自由下载;README 未声明具体许可证名称。原始会议音视频请通过各记录的 item_page 链接回 archive.org 获取。

基本信息

记录数量未知
文件大小约 253 MB
文件格式JSONL, VTT, Markdown, Python
数据来源City of Tucson
会议记录数75 场
VTT 字幕覆盖61 场
说话人标注转写覆盖74 场
统一重转写模型nvidia/canary-1b-v2
仓库体积约 253 MB
许可未声明
数据落地页https://huggingface.co/datasets/ACloudCenter/tucson-mayor-council-meetings
发布日期2026-09-24
市议会会议会议转写说话人标注语音识别政务公开图森市

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