⏳ Часах: arXiv ҫинчи статья тата модельсен виҫисем HuggingFace ҫинче — ҫӗнӗлӗхсене кӗтсе тӑрӑр
Даннӑйсем · чӑваш пуплев корпусӗ
Виҫӗ модель ӳснӗ вӗрентӳ корпусӗ тата хӑй тӗллӗн паллӑ тунӑ хушма корпуссем.
36 781 сегм. · ≈49.5 сех. Виҫӗ уҫӑ ҫӑлкуҫран илнӗ паллӑ тунӑ пуплев — шӑпах ун ҫинче виҫӗ модель вӗреннӗ. Валидаципе тест пайӗсене Common Voice ҫырса илнисенчен ҫеҫ пухнӑ.
alexantonov / chuvash_voiceсасӑпа вулани · вӗрентӳ пайӗн тӗп калӑпӑшӗCC0
38.7 сех.29 860 сегм.
Common Voice 25.0 (cv)вӗрентӳ пайӗ + пӗтӗм валидаципе тестCC0
5.6 сех.3 986 сегм.
ftyers · Turkic_TTSчӑваш TTS корпусӗCC-BY-SA
5.2 сех.2 935 сегм.
Пӗтӗмпе паллӑ тунӑ
49.5 сех.36 781 сегм.
train 34 251 · 45.9 сех. · виҫӗ ҫӑлкуҫval 1 242 · 1.67 сех. · Common Voice ҫеҫtest 1 288 · 1.91 сех. · Common Voice ҫеҫ
Хушма корпуссем · Aisar-turbo паллӑ тунӑ
687 322 сегм. · ≈1 080 сех.Уҫӑ ҫӑлкуҫсенчен тата краудсорсингран илнӗ аудио: ҫырса илнисене кӗске сегментсене каснӑ, расшифровкисене Aisar-turbo модель туса панӑ. Модельсене вӗрентме ку даннӑйсем кӗмен.
ChuvashRawаудиокӗнекесем · Библи · юрӑсемCC BY-NC 4.0 219.0 сех.370 976 сегм.
Пӗтӗмпе
≈1080.1 сех.687 322 сегм.
Корпуса мӗнле пухнӑ
01 · пухни
Уҫӑ ҫӑлкуҫсем тата краудсорсинг
Аудиокӗнекесем, Библи, юрӑсем, чӗрӗ калаҫусем тата ҫӗнӗ хыпар кӑларӑмӗсем — тӗрлӗ дикторсем, жанрсем, ҫырав условийӗсем.
02 · касни
Silero VAD сегментацийӗ
Вӑрӑм ҫырса илнисене чарӑнусем тӑрӑх 0.5–60 ҫеккунтлӑ пайсене касаҫҫӗ те малтанхи дискретизаци хӑвӑртлӑхӗпе FLAC форматпа упраҫҫӗ.
03 · паллӑ туни
Модель ҫырса илни
Хушма корпуссен текстсене ҫак ӗҫре вӗрентнӗ Aisar-turbo модель туса панӑ. Модельсене вӗрентме ку даннӑйсем кӗмен.
Асӑрхаттарни. Хушма корпуссен расшифровкисене модель тунӑ, вӗсенче йӑнӑшсем пур. Ҫырса илнисенче вырӑс пуплевӗ те тӗл пулать, ҫавӑнпа чӑваш чӗлхи ҫеҫ кирлӗ ӗҫсем валли даннӑйсене хушса фильтрлама сӗнетпӗр. ChuvashRaw тӗрӗслевӗ (MMS-LID тата «вырӑсла/чӑвашла» бинарлӑ классификатор) кӑтартнӑ: тишкернӗ ≈297 сехетрен ≈256 сехечӗ (≈86 %) — ытларах чӑваш пуплевӗ (score_chv ≥ 0.5 порог).
Виҫӗ хушма корпус — CC BY-NC 4.0: тӗпчевпе коммерциллӗ мар усӑ валли ирӗклӗ; коммерциллӗ усӑ — SpeechCollector пӗрлӗхӗпе килӗшсе (Telegram). Даннӑйсемпе ҫынсене сӑнама усӑ курма ыйтмастпӑр. ChuvashAsrDataset-ра ҫӑлкуҫ корпусӗсен лицензийӗсем упранаҫҫӗ (CC0 / CC-BY-SA).