تلیوم

• 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.

• اسناد اضافی : کاوش در کاغذها با کد

• کد منبع : tfds.datasets.tedlium.Builder

• نسخه ها :

  • 1.0.1 (پیش فرض): بدون یادداشت انتشار.

• ذخیره خودکار ( اسناد ): خیر

• ساختار ویژگی :

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.

• 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/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

• مثال‌ها ( tfds.as_dataframe ):

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

• مثال‌ها ( tfds.as_dataframe ):

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

• مثال‌ها ( tfds.as_dataframe ):