Vaani

Vaani es un conjunto de datos multimodales multilingües representativo de la diversidad lingüística india. Contiene horas de grabaciones de audio espontáneas acompañadas de imágenes y transcripciones de 86 idiomas, recopiladas de más de 112 000 hablantes en 120 distritos. Este conjunto de datos está diseñado para mejorar las tecnologías de inteligencia artificial inclusivas y multilingües.

Obtén el dataset

Tamaño

Aproximadamente 21.500 horas de audio, 835 horas de transcripciones de texto, 210.000 imágenes, audio, texto y varios formatos de imagen

Licencia

CC-BY 4.0

Descripción

‍

El conjunto de datos Vaani contiene una vasta colección de grabaciones de audio espontáneas en 86 idiomas de la India, acompañadas de imágenes y transcripciones de texto. Estos datos representan la diversidad cultural, lingüística y geográfica de la India, con más de 112.000 hablantes.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrenamiento de modelos de reconocimiento de voz multilingües
Desarrolle sistemas de IA multimodales que combinen audio, texto e imagen
Promover la investigación sobre el procesamiento automático de las lenguas indias

‍

¿Se puede enriquecer o mejorar?

‍

Sí, el conjunto de datos se puede enriquecer con transcripciones adicionales, anotaciones lingüísticas o extensiones a más idiomas y dialectos. También es posible mejorar los metadatos y limpiar los datos de audio.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐✩✩ (Volumen importante, requiere infraestructura adecuada)
🧼 Necesidad de limpieza	⭐⭐⭐✩✩ (Moderado a alto según calidad de audio)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Transcripciones parciales y metadatos detallados)
📜 Licencia comercial	✅ Sí, con atribución (CC-BY 4.0)
👨‍💻 Ideal para principiantes	⚠️ Medio – mejor para usuarios avanzados
🔁 Reutilizable para fine-tuning	✅ Perfecto para modelos de voz y multimodales
🌍 Diversidad cultural	🌐 Muy alta, gran cobertura lingüística y geográfica