opedromartins/ASR-datasets-ptbr

📚 Datasets de Áudio em Português (PT-BR)

Este repositório reúne diversos corpora públicos de fala em português do Brasil, combinados em um único dataset para facilitar treinamentos e pesquisas em ASR (Automatic Speech Recognition). O objetivo é fornecer um recurso amplo, padronizado e de fácil acesso para a comunidade.

---

📂 Datasets Integrados

A tabela abaixo lista todos os datasets incluídos, com suas informações:

Dataset	Config Name	TOTAL	train	test	validation	Speaker	Fonte
Todos os Datasets	-	15774.98 h	15650.38 h	79.75 h	44.85 h	-	-
YODAS-Granary	yodas-granary	13423.68 h	13423.68 h	-	-	❌	Fonte
YouTube-Commons-Granary	youtube-commons-granary	806.54 h	806.54 h	-	-	❌	Fonte
CORAA MuPe	coraa-mupe	365.04 h	319.90 h	32.90 h	12.25 h	✅	Fonte
CORAA v1.1	coraa-v1.1	290.53 h	273.38 h	11.24 h	5.91 h	❌	Fonte
CORAA NURC-SP	coraa-nurc-sp	239.23 h	224.40 h	10.23 h	4.60 h	❌	Fonte
MLS	mls	168.35 h	160.96 h	3.74 h	3.64 h	✅	Fonte
TEDx	tedx	155.91 h	152.55 h	1.82 h	1.54 h	✅	Fonte
CETUC	cetuc	144.66 h	144.66 h	-	-	✅	Fonte
CML	cml	85.36 h	78.09 h	3.68 h	3.59 h	✅	Fonte
Common Voice 22	common-voice-22	51.32 h	26.38 h	12.90 h	12.04 h	✅	Fonte
Fleurs	fleurs	14.71 h	10.18 h	3.24 h	1.29 h	❌	Fonte
TTS Portuguese Corpus	tts-portuguese-corpus	10.48 h	10.48 h	-	-	❌	Fonte
Constituição Federal	constituicao-federal	8.97 h	8.97 h	-	-	❌	Fonte
Sidney	sidney	7.28 h	7.28 h	-	-	✅	Fonte
Código de Defesa do Consumidor	codigo-de-defesa-do-consumidor	1.42 h	1.42 h	-	-	❌	Fonte
LapsBM	lapsbm	0.90 h	0.90 h	-	-	✅	Fonte
VoxForge	voxforge	0.62 h	0.62 h	-	-	✅	Fonte

---

🗂️ Estrutura do Dataset

O dataset está organizado em configs, onde cada config corresponde a um dataset ou corpora específico. Dentro de cada config, os dados estão divididos nos splits:

• train
• test
• validation

⚠️ Importante: Apenas os splits originais dos datasets foram mantidos, nem todos os datasets possuem splits de test e validation.

Cada amostra contém os seguintes campos:

• audio_filename: nome original do arquivo
• speaker: identificador do falante, presente apenas quando a informação está disponível no dataset original
• audio: conteúdo do áudio
• transcription: transcrição do áudio
• duration: duração em segundos

---

🚀 Como Utilizar

O dataset pode ser carregado pelo 🤗 Hugging Face Datasets:

Listar todas as configurações disponíveis

from datasets import get_dataset_config_names

configs = get_dataset_config_names("opedromartins/ASR-datasets-ptbr")
print(configs)

Carregar uma configuração específica

from datasets import load_dataset

# Exemplo: carregar todos os splits do CORAA v1.1
ds = load_dataset("opedromartins/ASR-datasets-ptbr", name="coraa-v1.1")

# Apenas o split de treino
ds_train = load_dataset("opedromartins/ASR-datasets-ptbr", name="coraa-v1.1", split="train")

Uso em modo streaming

from datasets import load_dataset

ds_stream = load_dataset(
    "opedromartins/ASR-datasets-ptbr",
    name="coraa-v1.1",
    split="train",
    streaming=True
)
print(next(iter(ds_stream)))

---

⚖️ Licenciamento

Cada dataset mantém sua licença original. É responsabilidade do usuário verificar e respeitar os termos de uso de cada corpus. Consulte os links das fontes listadas na tabela para mais detalhes.