distil-whisper/tedlium-long-form

数据集简介

这是一个由 distil-whisper 发布的音频-文本数据集，主要用于长格式语音识别任务的研究与模型评估。

主要用途

该数据集旨在用于训练和测试自动语音识别（ASR）模型，特别是针对长篇幅、连续语音（如演讲、讲座）的识别场景。

数据类型/模态

• 模态：包含音频和文本两种数据类型。
• 内容：音频数据及其对应的转录文本。

规模与格式

• 数据量：包含 19 个样本（行）。
• 存储格式：数据以 Parquet 格式存储。
• 使用库：兼容 datasets、pandas、mlcroissant、polars 等常用数据处理库。

使用场景

适用于开发、微调或评估在 TED 演讲等类似长格式、高质量语音内容上表现更优的语音识别模型。