WavePulse Radio Raw Transcripts

WavePulse Radio Raw Transcripts es un enorme conjunto de datos que contiene transcripciones segmentadas de transmisiones de radio en vivo de 396 estaciones estadounidenses, que cubren debates, noticias y programas políticos.

Obtén el dataset

Tamaño

Más de 250 millones de segmentos de texto de más de 750.000 horas de radio, archivos de Parquet por estado y mes

Licencia

Apache 2.0

Descripción

‍

Este conjunto de datos incluye más de 250 millones de segmentos de texto de transcripciones automáticas de más de 750 000 horas de grabaciones de radio en directo de WhisperX en los Estados Unidos. Los archivos están organizados en fiscalías públicas por estado y por mes.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrene y evalúe modelos de PNL con vastos datos textuales del habla
Analice los debates políticos y los programas de radio con una segmentación fina
Mejore la diarización, el reconocimiento de voz y la comprensión del lenguaje oral

‍

¿Se puede enriquecer o mejorar?

‍

Sí, el conjunto de datos puede complementarse con anotaciones manuales, resúmenes o ampliarse a otros idiomas y períodos. Las correcciones o filtros adicionales pueden mejorar la calidad de algunas aplicaciones.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐✩✩ (Formato parquet robusto pero requiere recursos considerables)
🧼 Necesidad de limpieza	⭐⭐⭐✩✩ (Moderado: transcripción automática con posibles errores)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Transcripciones segmentadas y diarización automatizada)
📜 Licencia comercial	✅ Sí (Apache 2.0)
👨‍💻 Ideal para principiantes	⚠️ Moderado – mejor con experiencia en procesamiento de datos audio-textuales
🔁 Reutilizable para fine-tuning	✅ Perfecto para entrenamiento de modelos NLP en texto hablado
🌍 Diversidad cultural	🌐 Amplia diversidad dialectal y temática gracias a 396 estaciones en todo el territorio US