摘要：该数据集是由AI4Bharat整理的梵语自动语音识别语料库，音频来源于印度全印广播电台新闻服务部，共包含约27小时的梵语新闻广播录音。
数据集概述
该数据集是由AI4Bharat整理的梵语自动语音识别语料库，音频来源于印度全印广播电台新闻服务部，共包含约27小时的梵语新闻广播录音。数据同时提供语音文件、句子级转写文本和字符级标记，可直接用于低资源语言自动语音识别模型的训练与评估，并采用CC0许可协议开放使用。
数据结构与关键特征
数据集主要包含Audio files和sanskrit_fairseq目录。各新闻简报的音频分别存放在独立文件夹中，文件采用16 kHz采样率的WAV格式，并按照句子编号命名。Fairseq格式部分包含train.tsv、train.wrd和train.ltr三个文件：train.tsv记录音频相对路径及帧数，train.wrd按对应行保存句子转写，train.ltr则提供字符级分词结果。三个文件通过行号保持音频、文本和字符序列的一一对应关系。
应用价值与研究方向
该数据集可用于梵语语音识别、新闻音频转写、语音与文本对齐、发音建模及低资源语言技术研究。研究方向包括CTC、Transformer与Conformer语音识别，自监督语音模型微调、字符级和词级建模、语言模型融合、跨语言迁移学习及噪声环境鲁棒性研究。还可进一步用于梵语语音检索、字幕生成、数字文献整理和广播内容归档。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-569
文件大小：5.9G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)