Данные · чувашский речевой корпус
Обучающий корпус, на котором выросли три модели, и дополнительные корпуса, размеченные автоматически.
Размеченная речь из трёх открытых источников — именно на ней обучались все три модели. Валидационная и тестовая выборки собраны только из записей Common Voice.
alexantonov / chuvash_voiceчтение вслух · основной объём обучающей выборкиCC0
38.7 ч29 860 сегм.
Common Voice 25.0 (cv)часть обучения + вся валидация и тестCC0
5.6 ч3 986 сегм.
ftyers · Turkic_TTSчувашский TTS-корпусCC-BY-SA
5.2 ч2 935 сегм.
Итого размечено
49.5 ч36 781 сегм.
train 34 251 · 45.9 ч · три источникаval 1 242 · 1.67 ч · только Common Voicetest 1 288 · 1.91 ч · только Common Voice
Дополнительные корпуса · разметка Aisar-turbo
687 322 сегм. · ≈1 080 чАудио из открытых источников и краудсорсинга: записи нарезаны на короткие сегменты, а расшифровки к ним сгенерированы моделью Aisar-turbo. В обучении моделей эти данные не участвовали.
Итого
≈1080.1 ч687 322 сегм.
Как собирался корпус
01 · сбор
Открытые источники и краудсорсинг
Аудиокниги, Библия, песни, живые разговоры и новостные выпуски — разные дикторы, жанры и условия записи.
02 · нарезка
Сегментация Silero VAD
Длинные записи разрезаются по паузам на фрагменты от 0.5 до 60 секунд и сохраняются в FLAC с исходной частотой дискретизации.
03 · разметка
Расшифровка моделью
Тексты дополнительных корпусов сгенерированы моделью Aisar-turbo, обученной в этой работе. В обучение моделей эти данные не попадали.
Важно. Расшифровки дополнительных корпусов созданы моделью и содержат ошибки. В записях встречается русская речь, поэтому для задач, где нужен только чувашский, данные стоит дополнительно отфильтровать. Проверка ChuvashRaw (MMS-LID и бинарный классификатор «русский/чувашский») показала: из ≈297 проанализированных часов ≈256 часов (≈86 %) — преимущественно чувашская речь (порог score_chv ≥ 0.5).
Три дополнительных корпуса — CC BY-NC 4.0: свободно для исследований и некоммерческого использования; коммерческое — по договорённости с сообществом SpeechCollector (Telegram). Просим не использовать данные для слежки за людьми. В ChuvashAsrDataset сохраняются лицензии исходных корпусов (CC0 / CC-BY-SA).