tedlium

  • Descriptif :

Le corpus TED-LIUM est constitué de conférences TED en anglais, avec des transcriptions, échantillonnées à 16 kHz. Il contient environ 118 heures de discours.

FeaturesDict({
    'gender': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'id': string,
    'speaker_id': string,
    'speech': Audio(shape=(None,), dtype=int64),
    'text': Text(shape=(), dtype=string),
})
  • Documentation des fonctionnalités :
Fonctionnalité Classe Forme Dtype Description
FonctionnalitésDict
genre Étiquette de classe int64
identifiant Tenseur chaîne
id_haut-parleur Tenseur chaîne
discours l'audio (Aucun,) int64
texte Texte chaîne
@inproceedings{rousseau2012tedlium,
  title={TED-LIUM: an Automatic Speech Recognition dedicated corpus},
  author={Rousseau, Anthony and Del{\'e}glise, Paul and Est{\`e}ve, Yannick},
  booktitle={Conference on Language Resources and Evaluation (LREC)},
  pages={125--129},
  year={2012}
}

tedlium/release1 (configuration par défaut)

  • Description de la configuration : Le corpus TED-LIUM est composé de conférences TED en anglais, avec transcriptions, échantillonnées à 16kHz. Il contient environ 118 heures de discours.

    This is the TED-LIUM corpus release 1,
    licensed under Creative Commons BY-NC-ND 3.0
    (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en).
    
  • Page d'accueil : https://www.openslr.org/7/

  • Taille du téléchargement : 19.82 GiB

  • Taille du jeu de données : 39.23 GiB

  • Fractionnements :

Diviser Exemples
'test' 1 469
'train' 56 803
'validation' 591

tedlium/libération2

  • Description de la configuration : Il s'agit de la version 2 du corpus TED-LIUM, sous licence Creative Commons BY-NC-ND 3.0 ( http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en ).

    All talks and text are property of TED Conferences LLC.
    
    The TED-LIUM corpus was made from audio talks and their transcriptions
    available on the TED website. We have prepared and filtered these data
    in order to train acoustic models to participate to the International
    Workshop on Spoken Language Translation 2011 (the LIUM English/French
    SLT system reached the first rank in the SLT task).
    
    Contains 1495 talks and transcripts.
    
  • Page d'accueil : https://www.openslr.org/19/

  • Taille du téléchargement : 34.26 GiB

  • Taille du jeu de données : 67.04 GiB

  • Fractionnements :

Diviser Exemples
'test' 1 469
'train' 92 973
'validation' 591

tedlium/libération3

  • Description de la configuration : Il s'agit de la version 3 du corpus TED-LIUM, sous licence Creative Commons BY-NC-ND 3.0.

    All talks and text are property of TED Conferences LLC.
    
    This new TED-LIUM release was made through a collaboration between the
    Ubiqus company and the LIUM (University of Le Mans, France)
    
    Contents:
    
    - 2351 audio talks in NIST sphere format (SPH), including talks from
      TED-LIUM 2: be careful, same talks but not same audio files (only
      these audio file must be used with the TED-LIUM 3 STM files)
    - 452 hours of audio
    - 2351 aligned automatic transcripts in STM format
    - TEDLIUM 2 dev and test data: 19 TED talks in SPH format with
      corresponding manual transcriptions (cf. 'legacy' distribution below).
    - Dictionary with pronunciations (159848 entries), same file as the one
      included in TED-LIUM 2
    - Selected monolingual data for language modeling from WMT12 publicly
      available corpora: these files come from the TED-LIUM 2 release, but
      have been modified to get a tokenization more relevant for English
      language
    
    Two corpus distributions:
    - the legacy one, on which the dev and test datasets are the same as in
      TED-LIUM 2 (and TED-LIUM 1).
    - the 'speaker adaptation' one, especially designed for experiments on
      speaker adaptation.
    
  • Page d'accueil : https://www.openslr.org/51/

  • Taille du téléchargement : 50.59 GiB

  • Taille du jeu de données : 145.67 GiB

  • Fractionnements :

Diviser Exemples
'test' 1 469
'train' 268 263
'validation' 591