126小时阿萨姆语（印度）手机采集朗读语音数据

数据基于给定的脚本朗读并模拟录制，内容丰富。此数据集标注了文本内容等多种属性，由母语人参与采集，准确性高，为语音识别相关研究及应用提供了丰富的资源，经多家AI公司验证：有助于模型面对真实世界的多样性时能够表现出色。我们严格遵循数据保护法规和隐私规定，确保数据采集、存储和使用的过程中维护用户的隐私和合法权益，所有数据均遵循GDPR,CCPA,PIPL。

数据堂如何保障数据质量与安全

数据规格

格式

16kHz，16bit，无压缩wav，单声道；

内容分类

新闻及通用类文本

录音条件

相对安静的室内，无回声；

录音设备

苹果手机、安卓手机；

录音人信息

总共165名录音人，其中男性65人，女性100人；

语言

阿萨姆语

标注特点

标注文本内容

准确率

词准确率95%

样例展示

0:00/ 0:00

সংগঠকসকল মুক্ত আৰু স্বনিৰ্ভৰশীল কিন্তু স্বমিত্ৰতাত এই গুণ উপলব্ধ নহয়

0:00/ 0:00

পৰীক্ষা বা পৰ্যবেক্ষণৰ ওপৰত আধাৰিত কৰি পৰিসাংখ্যিক আৰু গাণিতিক তথ্য ব্যৱহাৰ কৰি কৰা এক বিশ্লেষণ

0:00/ 0:00

মই ইয়াত বিশ্বজুৰি শান্তি স্থাপন আৰু ঐকমত্য গঠনৰ প্ৰতি ভাৰতৰ অৰিহণাও লগতে উল্লেখ কৰিব লাগিছিল

0:00/ 0:00

আৰু শেহতীয়াকৈ কাঞ্চনজংঘা ৰত্নাকৰক লৈ দৰ্শকৰ মাজত উৎসাহ

0:00/ 0:00

থলুৱাৰ স্বাৰ্থ সুৰক্ষিত হোৱাকৈ নিবিদা আহ্বান কৰিবলৈ দাবী আটাছুৰ