Выложенный в открытый доступ датасет Golos состоит из более чем 1,1 млн аудиозаписей на русском языке суммарной длиной около 1240 часов и соответствующих им транскрипций. Средняя длина записей составляет около четырех секунд. По задумке разработчиков, датасет поможет в обучении моделей для генерации и распознавания речи.

Аудиофайлы были собраны в Golos из двух источников: краудсорсинговой платформы и студийных записей, сделанных с помощью устройства SberPortal. Данные в датасете обезличены.

Речь в записях похожа на запросы пользователей к ассистенту. Для описания запросов в различных доменах разработчики мы создали систему шаблонов, поясняющую их структуру.

Датасет Golos был представлен компанией SberDevices в мае 2021 года.

Репозиторий на GitHub

👤 Александр Денисенко