تلیوم

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

  • توضیحات :

مجموعه TED-LIUM گفتگوهای TED به زبان انگلیسی، با رونویسی، نمونه برداری شده در 16 کیلوهرتز است. این شامل حدود 118 ساعت سخنرانی است.

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),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
جنسیت ClassLabel int64
شناسه تانسور رشته
speaker_id تانسور رشته
سخن، گفتار سمعی (هیچ یک،) int64
متن متن رشته
  • کلیدهای نظارت شده (به as_supervised نظارت شده مراجعه کنید): ('speech', 'text')

  • شکل ( tfds.show_examples ): پشتیبانی نمی شود.

tedlium/release1 (پیکربندی پیش‌فرض)

  • توضیحات پیکربندی : مجموعه TED-LIUM گفتگوهای TED به زبان انگلیسی است، با رونویسی، نمونه برداری در 16 کیلوهرتز. این شامل حدود 118 ساعت سخنرانی است.

    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).
    
  • صفحه اصلی : https://www.openslr.org/7/

  • حجم دانلود : 19.82 GiB

  • حجم مجموعه داده : 39.23 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 1,469
'train' 56803
'validation' 591
  • نقل قول :
@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/release2

  • شرح پیکربندی : این نسخه نسخه 2 مجموعه TED-LIUM است که تحت مجوز Creative Commons BY-NC-ND 3.0 ( http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en ) مجوز دارد.

    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.
    
  • صفحه اصلی : https://www.openslr.org/19/

  • حجم دانلود : 34.26 GiB

  • حجم مجموعه داده : 67.04 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 1,469
'train' 92,973
'validation' 591
  • نقل قول :
@inproceedings{rousseau2014tedlium2,
  title={Enhancing the {TED-LIUM} Corpus with Selected Data for Language Modeling and More {TED} Talks},
  author={Rousseau, Anthony and Del{\'e}glise, Paul and Est{\`e}ve, Yannick},
  booktitle={Conference on Language Resources and Evaluation (LREC)},
  year={2014}
}

tedlium/release3

  • توضیحات پیکربندی : این نسخه نسخه 3 TED-LIUM است که تحت مجوز Creative Commons BY-NC-ND 3.0 است.

    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.
    
  • صفحه اصلی : https://www.openslr.org/51/

  • حجم دانلود : 50.59 GiB

  • حجم مجموعه داده : 145.67 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 1,469
'train' 268263
'validation' 591
  • نقل قول :
@inproceedings{hernandez2018tedlium3,
  title={TED-LIUM 3: twice as much data and corpus repartition for experiments on speaker adaptation},
  author={Hernandez, Fran{\c{c} }ois and Nguyen, Vincent and Ghannay, Sahar and Tomashenko, Natalia and Est{\`e}ve, Yannick},
  booktitle={International Conference on Speech and Computer},
  pages={198--208},
  year={2018},
  organization={Springer}
}