Datasets:

Modalities:
Audio
Text
Formats:
parquet
ArXiv:
Libraries:
Datasets
Dask
License:
audio
audioduration (s)
0.92
4.04
wav_filesize
int64
44.2k
194k
text
stringlengths
1
99
transcript_wav2vec
stringlengths
2
92
levenshtein
float64
0.9
1
duration
float64
1
4.4
num_words
int64
0
19
speaker_id
int64
123
12.7k
44,202
dwingende
dwingende
1
1.001315
0
1,724
44,204
Eindelijk
eindelijk
1
1.001361
0
1,666
44,204
Hij zette zich.
hij zette zich
1
1.001361
2
1,724
44,204
Hij speelde
hij speelde
1
1.001361
1
2,450
44,204
Wie ik ben!
wie ik ben
1
1.001361
2
2,450
44,204
Zal ik heengaan?
zal ik heengaan
1
1.001361
2
2,450
44,204
Mijn naam is.
mijn naam is
1
1.001361
2
1,724
44,204
Ik bid voor allen.
ik bid voor allen
1
1.001361
3
1,666
44,204
Ik deed dit
ik deed dit
1
1.001361
2
1,666
44,204
er heen te gaan.
erheen te gaan
0.933333
1.001361
3
1,666
44,204
wat is dat?
wat is dat
1
1.001361
2
1,724
44,204
Doe dat niet!
doe dat niet
1
1.001361
2
2,450
44,204
Het kan niet anders!
het kan niet anders
1
1.001361
3
1,724
44,204
is het niet?
is het niet
1
1.001361
2
1,724
44,204
- O God.
o god
1
1.001361
1
1,724
44,204
zij weten
zij weten
1
1.001361
1
2,450
44,204
Dat geloof ik niet;
dat geloof ik niet
1
1.001361
3
1,724
44,204
toch
toch
1
1.001361
0
2,450
44,204
Ik weet het
ik weet het
1
1.001361
2
1,724
44,204
als je rustig blijft.
als je rustig blijft
1
1.001361
3
1,724
44,204
En waarom
en waarom
1
1.001361
1
2,450
44,204
Je kunt gaan
je kunt gaan
1
1.001361
2
1,724
44,204
Water
water
1
1.001361
0
2,450
44,204
Bruis
bruis
1
1.001361
0
1,666
44,204
- Mijn kind!
mijn kind
1
1.001361
1
1,724
44,204
O, dat heb ik wel!
o dat heb ik wel
1
1.001361
4
3,024
44,204
Ik geloof het niet.
ik geloof het niet
1
1.001361
3
1,666
44,204
maar dat is lang geleden.
mardat is lang geleden
0.916667
1.001361
4
1,724
44,204
Niet één
niet één
1
1.001361
1
2,450
44,204
Ja, ja
ja ja
1
1.001361
1
2,450
44,204
'Wat gebeurt er?
wat gebeurt er
1
1.001361
2
2,450
44,204
- Nu wat dan?
nu wat dan
1
1.001361
2
1,724
44,204
Amen
amen
1
1.001361
0
2,450
44,204
van beroep
van beroep
1
1.001361
1
2,450
44,204
Hij heeft gezien!
hij heeft gezien
1
1.001361
2
1,666
44,204
word uw Kind
word uw kind
1
1.001361
2
5,809
44,204
En nu
en nu
1
1.001361
1
2,450
44,204
Wat is er;
wat is er
1
1.001361
2
1,724
44,204
' 'Dat geloof ik ook!
dat geloof ik ook
1
1.001361
3
1,724
44,204
Er was niets.
er was niets
1
1.001361
2
1,666
44,204
' 'En ik dan?
en ik dan
1
1.001361
2
1,724
44,204
Zie eens hier.
zie eens hier
1
1.001361
2
1,724
44,204
Gekken
gekken
1
1.001361
0
2,450
44,204
Wil je het doen
wil je het doe
0.933333
1.001361
3
2,450
44,204
voort te gaan
voor te gaan
0.923077
1.001361
2
1,724
44,204
toen wat lager.
doen wat lager
0.928571
1.001361
2
1,724
44,204
Zoo was het.
zo was het
0.909091
1.001361
2
2,450
44,204
En toch
en toch
1
1.001361
1
2,450
44,204
anderen hadden
anderen hadden
1
1.001361
1
2,450
44,204
Wat is dat?
wat is dat
1
1.001361
2
1,724
44,204
- Ik moet nu weg.
ik moet nu wer
0.928571
1.001361
3
1,666
44,204
en buitendien
enbuitendien
0.923077
1.001361
1
1,724
44,204
- Maar niet soo.
maar niet zoo
0.923077
1.001361
2
1,724
44,204
Hij dacht daaraan
hij dacht daaraan
1
1.001361
2
2,450
46,122
Luister
luister
1
1.044853
0
2,450
46,124
reden
reden
1
1.044898
0
2,450
46,124
mijn hand.
mijn hand
1
1.044898
1
1,724
46,124
Zij gingen
zij gingen
1
1.044898
1
1,666
46,124
God bewaar me!
god bewaarme
0.923077
1.044898
2
2,450
46,124
Ben ik terecht?
ben ik terecht
1
1.044898
2
2,450
46,124
Men kieze
men kiezen
0.9
1.044898
1
2,450
46,124
'Wat is dat?
wat is dat
1
1.044898
2
2,450
46,124
sterven
sterven
1
1.044898
0
1,724
46,124
En die jongen!
n die jongen
0.923077
1.044898
2
2,450
46,124
maar hij moest zich.
maar hij moest zich
1
1.044898
3
2,450
46,124
Zeker
zeker
1
1.044898
0
2,450
46,124
- Dat weet ik.
dot weet ik
0.909091
1.044898
2
1,666
46,124
Welnu
welnu
1
1.044898
0
2,450
46,124
het weer sloeg om.
het weer snoeg om
0.941176
1.044898
3
2,450
46,124
En toen
en toen
1
1.044898
1
2,450
46,124
'Dat niet meer!
dat niet meer
1
1.044898
2
1,724
46,124
Is daar iemand?
is daar iemand
1
1.044898
2
2,450
46,124
Dat is ook niet zoo;
dat is ook niet zoo
1
1.044898
4
1,724
46,124
Anna liet hen alleen.
anner liet hen alleen
0.904762
1.044898
3
1,666
46,124
- Ik geloof het wel.
ik geloof het wel
1
1.044898
3
1,666
46,124
- Maar in het mooie!
maar in het mooie
1
1.044898
3
1,666
46,124
Naar mij
naar mij
1
1.044898
1
2,450
46,124
Wat is ear
wat is er
0.9
1.044898
2
2,450
46,124
Dat is waar;
dat is waar
1
1.044898
2
1,724
46,124
Dat weet ik
dat weet ik
1
1.044898
2
1,724
46,124
In den kelder?
in de kelder
0.923077
1.044898
2
2,450
46,124
- Is daar niets aan te doen?
ies daar niets aan te doen
0.961538
1.044898
5
1,724
46,124
Ik weet alles;
ik weet alles
1
1.044898
2
1,666
46,124
, Waarom
waarom
1
1.044898
0
2,450
46,124
maar ik denk.
aar ik denk
0.916667
1.044898
2
1,724
46,124
Hoe heet ge?
hoe heet re
0.909091
1.044898
2
2,450
46,124
ik zag naar buiten
ik zag naar buiten
1
1.044898
3
2,450
46,124
Wat denkt hij nu.
wat denkt hij nu
1
1.044898
3
1,666
46,124
Dat was hard
dat was hard
1
1.044898
2
2,450
46,124
Ziet ge wel
ziet ge wel
1
1.044898
2
2,450
46,124
Goed, vooruit dan.
goed vooruit dang
0.941176
1.044898
2
1,724
46,124
'Moge dit waar zijn!
moge dat waar zijn
0.944444
1.044898
3
1,724
46,124
- Maar wat zoû er zijn.
maar wat zou er zijn
0.95
1.044898
4
1,666
46,124
Voor den duivel!
voor de duivel
0.933333
1.044898
2
1,724
46,124
of niet koopt.
f niet koopt
0.923077
1.044898
2
1,724
46,124
at is het
wat is het
0.9
1.044898
2
2,450
46,124
maar die
maar die
1
1.044898
1
496
46,124
' 'Ik
ik
1
1.044898
0
2,450
46,124
Hoe, Mijnheer
hoe mijnheer
1
1.044898
1
2,450
46,124
Mijn broeder
mijn broeden
0.916667
1.044898
1
2,450

Dataset Card for Filtred and CML-TTS

This dataset is a filtred version of a CML-TTS [1].

CML-TTS [1] CML-TTS is a recursive acronym for CML-Multi-Lingual-TTS, a Text-to-Speech (TTS) dataset developed at the Center of Excellence in Artificial Intelligence (CEIA) of the Federal University of Goias (UFG). CML-TTS is a dataset comprising audiobooks sourced from the public domain books of Project Gutenberg, read by volunteers from the LibriVox project. The dataset includes recordings in Dutch, German, French, Italian, Polish, Portuguese, and Spanish, all at a sampling rate of 24kHz.

This dataset was used alongside the LibriTTS-R English dataset and the Non English subset of MLS to train [Parler-TTS Multilingual Mini v1.1. A training recipe is available in the Parler-TTS library.

Motivation

This dataset was filtered to remove problematic samples. In the original dataset, some samples (especially short ones) had incomplete or incorrect transcriptions. To ensure quality, all rows with a Levenshtein similarity ratio below 0.9 were removed.

Note on Levenshtein distance: the Levenshtein distance measures how different two strings are by counting the minimum number of single-character edits (insertions, deletions, or substitutions) needed to transform one string into another.

Usage

Here is an example on how to oad the clean config with only the train.clean.360 split.

from datasets import load_dataset

load_dataset("https://huggingface.co./datasets/PHBJT/cml-tts-cleaned-levenshtein", "french", split="train")

Dataset Sources

@misc{oliveira2023cmltts, title={CML-TTS A Multilingual Dataset for Speech Synthesis in Low-Resource Languages}, author={Frederico S. Oliveira and Edresson Casanova and Arnaldo Cândido Júnior and Anderson S. Soares and Arlindo R. Galvão Filho}, year={2023}, eprint={2306.10097}, archivePrefix={arXiv}, primaryClass={eess.AS} } ```

Downloads last month
5,607

Models trained or fine-tuned on PHBJT/cml-tts-filtered