Datasets:

DatarrX
/

burmese-synthetic-speech-corpus

text stringlengths 5 394	audio audioduration (s) 0.64 22.9	gender stringclasses 2 values
သူ့အိတ်ကပ်ထဲမှာ ငါးရာတန် နှစ်ရွက်ပဲ ကျန်တော့တယ်။		male
မနက်ဖြန် အစည်းအဝေးကို လူအယောက် နှစ်ဆယ် တက်ရောက်ဖို့ ရှိပါတယ်။		male
ဒီခြံထဲမှာ ခွေးလေး ၅ ကောင်နဲ့ ကြောင် ၃ ကောင် မွေးထားတယ်။		male
ဈေးထဲမှာ ကြက်သွန်နီ တစ်ပိဿာကို သုံးထောင်ပေးရတယ်။		male
ရွှေတိဂုံစေတီတော်ကို တစ်နေ့ကို ဘုရားဖူး ထောင်နဲ့ချီ လာကြပါတယ်။		male
မင်းအတွက် လက်ဆောင်အဖြစ် ကလောင်တံ ၅ ချောင်း ဝယ်လာခဲ့တယ်။		male
သစ်ပင်တစ်ပင် စိုက်ရင် ကမ္ဘာကြီး တစ်ခုလုံးအတွက် အကျိုးရှိတယ်။		male
အိမ်ရှေ့မှာ ကား သုံးစီး ရပ်ထားတာ တွေ့ခဲ့လား။		male
ကျွန်မမှာ ညီမ နှစ်ယောက်နဲ့ မောင် တစ်ယောက် ရှိပါတယ်။		male
လွန်ခဲ့တဲ့ ၁၀ နှစ်က ဒီနေရာဟာ လယ်ကွင်းပြင်ကြီးပဲ။		male
ကော်ဖီ တစ်ခွက်ကို ဘယ်လောက် ပေးရသလဲဟင်။		male
ဒီစာအုပ် သုံးအုပ်လုံးကို တစ်ပတ်အတွင်း ဖတ်ပြီးအောင် ဖတ်မယ်။		male
ဟိုတယ်မှာ အခန်း ၅ ခန်း ကြိုတင် ဘွတ်ကင်လုပ်ထားလိုက်ပြီ။		male
တစ်လကို လစာ သိန်း ၂၀ ရရင် အဆင်ပြေမလား။		male
ရေခဲသေတ္တာထဲမှာ ကြက်ဥ ၁၂ လုံး ပါတဲ့ တစ်ကတ် ရှိတယ်။		male
သင်္ဘောသီး တစ်လုံးကို ငါးရာ့ငါးဆယ်နဲ့ ရောင်းနေတာ။		male
ရန်ကုန်ကနေ မန္တလေးကို ကားနဲ့သွားရင် ၈ နာရီလောက် ကြာမယ်။		male
ဒီနေ့ ကျောင်းတက်တဲ့ ကျောင်းသား ဦးရေ ၅၀ ရှိတယ်။		male
ပုဆိုး နှစ်ထည်နဲ့ အင်္ကျီ သုံးထည်ကို မီးပူတိုက်ပေးပါ။		male
မင်းဆီမှာ ငွေ တစ်သောင်းလောက် ခဏချေးလို့ ရမလား။		male
လမ်းထိပ်က ဆိုင်မှာ မုန့်ဟင်းခါး တစ်ပွဲ ငါးရာပဲ ပေးရတယ်။		male
သူမက တစ်နေ့ကို ရေ ၃ လီတာလောက် သောက်တတ်တယ်။		male
ကွန်ပျူတာ ၁၀ လုံးကို ပြုပြင်ဖို့ အချိန် ဘယ်လောက်ကြာမလဲ။		male
ဘုန်းကြီး ငါးပါးကို ဆွမ်းကပ်ဖို့ ပြင်ဆင်နေကြတယ်။		male
ဖိနပ် နှစ်ရံဝယ်ရင် တစ်ရံ လက်ဆောင်ရမယ်တဲ့။		male
ဒီအဆောက်အဦက အထပ် ၃၀ မြင့်တယ်ဆိုတာ ဟုတ်လား။		male
သကြား တစ်ထုပ်ကို ငါးရာကျပ် အတိအကျ ကျပါတယ်။		male
မီးဖိုချောင်ထဲမှာ ဓား နှစ်စင်းနဲ့ ဇွန်း ၁၀ ချောင်း ရှိတယ်။		male
သူတို့အိမ်က မြေကွက်က အလျား ပေ ၄၀ နဲ့ အနံ ပေ ၆၀ ရှိတယ်။		male
အဝတ်လျှော်စက် တစ်လုံးကို ၆ သိန်းခွဲနဲ့ ဝယ်ခဲ့ရတာ။		male
ဒီနေ့ ဈေးထဲမှာ ငါးသလောက် တစ်ကောင်ကို တစ်သောင်းခွဲတဲ့။		male
ဖုန်းကတ်ထဲမှာ ငွေ ၅၀၀၀ ဖိုး ထည့်ပေးပါဦး။		male
လေယာဉ်လက်မှတ် နှစ်စောင်ကို အွန်လိုင်းကနေ ဝယ်လိုက်ပြီ။		male
တစ်နှစ်မှာ ၃၆၅ ရက် ရှိတယ်ဆိုတာ ကလေးတိုင်း သိကြတယ်။		male
သူ့ရဲ့ ကားနံပါတ်က ၅-ည ၉၉၉၉ ဖြစ်ပါတယ်။		male
ကျောင်းသား တစ်သောင်းကျော်ကို ပညာသင်ဆု ပေးအပ်ခဲ့တယ်။		male
ကိတ်မုန့် တစ်ချပ်ကို ၂၅၀၀ ကျပ်နဲ့ ရောင်းပေးပါ။		male
ဒီဇယ် တစ်ဂါလန်ကို ဈေး ဘယ်လောက် ပေါက်နေလဲ။		male
ဆေးရုံမှာ လူနာ ၃၀၀ အတွက် နေရာ ထိုင်ခင်း ပြင်ထားတယ်။		male
ပန်းသီး ငါးလုံးကို အခွံနွှာပြီး လှီးထားလိုက်မယ်။		male
သူက တစ်နာရီကို စာမျက်နှာ ၅၀ လောက် ဖတ်နိုင်တယ်။		male
မြန်မာနိုင်ငံမှာ တိုင်းနဲ့ ပြည်နယ် ၁၄ ခု ရှိပါတယ်။		male
ရွာထဲမှာ အိမ်ခြေ ၁၀၀ ကျော်လောက် မီးလောင်သွားတယ်။		male
ဒီကုမ္ပဏီမှာ ဝန်ထမ်း ၅၀၀ ကျော် အလုပ်လုပ်နေကြတာ။		male
နွား ငါးကောင်ကို လယ်တောထဲမှာ လွှတ်ထားလိုက်ပါ။		male
မျက်မှန် တစ်လက်ကို တစ်သောင်းခွဲနဲ့ ဝယ်လိုက်တာ တန်တယ်။		male
လက်ဖက်ရည် တစ်ခွက်နဲ့ အီကြာကွေး နှစ်ခု ပေးပါဦး။		male
ဒီလမ်းကနေ သွားရင် ငါးမိနစ်ပဲ ကြာလိမ့်မယ်။		male
သူ့မှာ စက်ဘီး တစ်စီးတောင် မရှိရှာဘူး။		male
စောင် ၃ ထည်ကို နေပူလှန်းထားလိုက်ဦး။		male
သတင်းစာ တစ်စောင်ကို ငါးရာကျပ် ပေးရပါတယ်။		male
အိတ် ငါးလုံးကို ကားနောက်ဖုံးထဲ ထည့်လိုက်ပါ။		male
နံရံမှာ နာရီ တစ်လုံး ချိတ်ထားတာ တွေ့လား။		male
ကျောက်ခဲ ၃ လုံးကို ကောက်ပြီး ရေထဲ ပစ်ချလိုက်တယ်။		male
သူက ရွှေ တစ်ကျပ်သားကို သိန်း ၅၀ နဲ့ ဝယ်ထားတာ။		male
နို့ဆီ တစ်ဘူးကို တစ်ထောင်ကျော် ပေးနေရပြီ။		male
ဒီနေ့ အလုပ်ကို လူ ၁၀ ယောက်ပဲ လာကြတယ်။		male
လမ်းဘေးမှာ သစ်ပင် ၅ ပင် လဲကျနေတယ်။		male
မီးအိမ် တစ်လုံးကို ဆယ်မိနစ်လောက် ထွန်းထားပေးပါ။		male
ပုလင်း ၆ ပုလင်းလုံးကို အမှိုက်ပုံးထဲ ထည့်လိုက်ပြီ။		male
ထိုင်ခုံ ၂ လုံးကို ဧည့်ခန်းထဲ ရွှေ့ထားလိုက်။		male
မုန့် ငါးထုပ်ကို ကလေးတွေကို ဝေပေးလိုက်ပါ။		male
သူ့မှာ သားသမီး ၄ ယောက်တောင် ရှိတာလား။		male
ဆန် တစ်ပြည်ကို လေးထောင်ကျော် ပေးနေရပြီ။		male
ဒီအင်္ကျီ တစ်ထည်ကို ဘယ်လောက်လဲလို့ မေးပေးပါ။		male
စက္ကူ ၅ ရွက်လောက် ခဏပေးလို့ ရမလား။		male
ပြတင်းပေါက် ၄ ပေါက်လုံးကို ပိတ်ထားလိုက်ပါ။		male
သူက တစ်ပတ်မှာ ၅ ရက် အလုပ်လုပ်တယ်။		male
ဖုန်း တစ်လုံးကို ၁၀ သိန်းကျော် ပေးပြီး ဝယ်ခဲ့ရတာ။		male
ဆား တစ်ထုပ်ကို သုံးရာကျပ်ပဲ ပေးရတယ်။		male
လက်စွပ် တစ်ကွင်းကို နှစ်သိန်းနဲ့ ရောင်းလိုက်တယ်။		male
ပန်းအိုး ၃ အိုးကို ဝရံတာမှာ တင်ထားလိုက်မယ်။		male
သူ့မှာ သူငယ်ချင်း ၁၀၀ ကျော် ရှိတယ်။		male
တစ်နေ့ကို ငါးကြိမ်လောက် ဘုရားရှိခိုးတတ်တယ်။		male
ဦးထုပ် တစ်လုံးကို ငါးထောင်နဲ့ ဝယ်လာခဲ့တယ်။		male
တံခါး တစ်ချပ်ကို ဖွင့်ထားပေးပါဦး။		male
စက်ဘီး ၂ စီးကို ခြံထဲမှာ သော့ခတ်ထားတယ်။		male
သံပုရာသီး ၅ လုံးကို ရေဆေးထားလိုက်ပါ။		male
မင်းဆီမှာ ခဲတံ တစ်ချောင်း ရှိလား။		male
ဒီဇာတ်ကားက ၂ နာရီခွဲလောက် ကြာတယ်။		male
ပန်းကန် ၅ လုံးကို စားပွဲပေါ် တင်ထားပါ။		male
သူက တစ်လကို စာအုပ် ၂ အုပ် ပုံမှန်ဖတ်တယ်။		male
ငှက် ၃ ကောင် သစ်ကိုင်းပေါ်မှာ နားနေတယ်။		male
အသား တစ်ပိဿာကို တစ်သောင်းခွဲနဲ့ ဝယ်ခဲ့တာ။		male
ဆီ တစ်လီတာကို ခြောက်ထောင် ပေးရတယ်။		male
မင်းမှာ အစ်ကို ဘယ်နှစ်ယောက် ရှိလဲ။		male
မီးခြစ် တစ်လုံးလောက် ရှာပေးပါဦး။		male
ကျောင်းကား ၅ စီး တန်းစီပြီး ထွက်သွားတယ်။		male
ကော်ဇော တစ်ချပ်ကို ဧည့်ခန်းမှာ ခင်းထားတယ်။		male
သူ့မှာ မြေကွက် ၃ ကွက် ရှိတယ်လို့ ကြားတယ်။		male
ပုစွန် တစ်ဆယ်သားကို သုံးထောင် ပေးရတယ်။		male
ရုပ်ရှင်လက်မှတ် ၄ စောင်ကို ကြိုဖြတ်ထားလိုက်မယ်။		male
သူမက ပုတီး တစ်ပတ်ကို ဆယ်မိနစ်လောက် စိပ်တယ်။		male
ခြင်္သေ့ ၅ ကောင်ကို တိရိစ္ဆာန်ရုံမှာ တွေ့ခဲ့တယ်။		male
ဆေးပြား ၂ ပြားကို အစာစားပြီးမှ သောက်ပါ။		male
ဒီနေ့ ရေခဲမုန့် ၃ ချောင်း စားလိုက်မိတယ်။		male
သူ့မှာ ဖုန်းနံပါတ် ၂ ခု ရှိတယ်။		male
အဝတ်အစား ၅ စုံကို အိတ်ထဲ ထည့်ထားလိုက်ပြီ။		male
တစ်လောကလုံးမှာ မင်း တစ်ယောက်တည်းကိုပဲ ချစ်တယ်။		male
ဒီသစ်ပင်က အသက် ၁၀၀ ကျော်နေပြီ။		male

End of preview. Expand in Data Studio

Burmese Synthetic Speech Corpus (DatarrX/burmese-synthetic-speech-corpus)

Overview

The Burmese Synthetic Speech Corpus is a high-fidelity, manually curated audio dataset specifically designed to advance Text-to-Speech (TTS) systems, speech recognition, and other audio-driven Machine Learning tasks for the Burmese (Myanmar) language.

Created by DatarrX, this dataset bridges the gap in low-resource speech technologies by providing highly natural, native-sounding Burmese synthetic voices that have been rigorously verified by human reviewers.

Dataset Details

Currently, the dataset contains 5,686 high-quality audio files, evenly split (50/50) between two distinct voice personas. We plan to continuously expand this dataset in future updates.

Voice Personas

Nawa (နဝ): A natural male Burmese voice.
Wathan (ဝဿန်): A natural female Burmese voice.

Data Structure

Each row in the dataset contains the following features:

text: The Burmese text/sentence being spoken.
audio: The corresponding synthesized audio file.
gender: The gender of the voice persona (Male/Female).

Methodology & Creation Process

Creating natural-sounding synthetic speech for Burmese presents unique linguistic challenges. To overcome this, the dataset was developed entirely from scratch by Khant Sint Heinn using a highly specialized, human-in-the-loop pipeline:

Model Fine-Tuning: We utilized the VoxCPM2 model as our base. To improve the accuracy and authenticity of Burmese phonetic pronunciation, we initially fine-tuned the model using a small, carefully selected dataset of real native voices.
Anchor Generation: Using the fine-tuned model and text prompting, we generated optimal baseline audio samples (anchors) for our male ("Nawa") and female ("Wathan") personas.
Synthesis: These anchor samples were then fed back into the model as conditioning inputs to synthesize the target sentences line-by-line.
Rigorous Human Validation: The most critical step. Every single generated audio file was manually listened to and audited by a human native speaker. Any audio that sounded robotic, mispronounced, or unnatural was discarded. Only audio files that successfully mimic the fluidity and natural cadence of a native Burmese speaker were kept in this final dataset.

Scope and Limitations

While the dataset provides exceptionally high-quality audio, researchers and developers should be aware of the following linguistic constraints:

Standard Burmese Focus: The speech patterns and pronunciations are heavily geared toward Standard Burmese, specifically aligning with the Yangon accent and speaking style.
No Regional Dialects: The dataset does not include regional dialects, tones, or colloquialisms from other areas, such as the Mandalay or Anya regions.
Pali Loanwords: The model is optimized for pure Burmese pronunciation. It may occasionally struggle with or mispronounce complex Pali loanwords or highly formal religious terminologies.

License & Usage

This dataset is published under the Creative Commons Attribution 4.0 International (CC BY 4.0) license. It is entirely open-source and free to use for any purpose, including commercial applications, academic research, and model training.

If you use this dataset in your projects, we kindly ask that you provide an appropriate citation to acknowledge the effort and time invested in creating this open-source resource.

Citation (APA Format)

If you incorporate this dataset into your research or ML pipelines, please cite it as follows:

Khant Sint Heinn. (2026). Burmese Synthetic Speech Corpus [Data set]. DatarrX. Hugging Face. https://huggingface.co/datasets/DatarrX/burmese-synthetic-speech-corpus

About the Creator

Khant Sint Heinn (Burmese: ခန့်ဆင့်ဟိဏ်း), working under the professional moniker Kalix Louis, is a Machine Learning Engineer specializing in Natural Language Processing (NLP), data foundations, and open-source AI infrastructure. His primary engineering focus centers on elevating low-resource languages—specifically Burmese (Myanmar)—into data-rich assets capable of powering next-generation language models and scalable linguistic tools.

Currently serving as the Lead Developer at DatarrX, Khant Sint Heinn architects robust data pipelines, manages large-scale dataset curations, and builds the open-source building blocks necessary for accessible machine learning applications. His ultimate goal is to turn limited language resources into practical opportunities through clean data, useful tools, and community-driven innovation, making AI more accessible to underrepresented communities.

About DatarrX (ဒေတာ-အက်စ်)

Rooting Burmese into AI.

DatarrX is a non-profit open-source foundation dedicated to building a robust digital foundation for the Burmese language in the AI era. We believe that high-quality data is the core of AI innovation. Our vision is to transform Burmese from a low-resource language into a data-rich foundation for next-generation AI technologies.

Our mission focuses on building high-quality open-source datasets and essential AI tools, alongside localizing technical documentation to empower the Burmese AI ecosystem. Our core values are Openness (ပွင့်လင်းမှု), Accuracy (တိကျမှု), and Collaboration (ပူးပေါင်းဆောင်ရွက်မှု).

Join Us: We are a community-driven foundation. Whether you're a developer, a linguist, or simply a tech enthusiast, we welcome your contribution. Whether it is gathering data, translating resources, or sharing insights—every bit of help counts in advancing the Burmese language in tech!

အကျဉ်းချုပ်

Burmese Synthetic Speech Corpus ဆိုတာက မြန်မာဘာသာစကားအတွက် Text-to-Speech (TTS) စနစ်တွေ၊ speech recognition တွေနဲ့ တခြား audio နဲ့ပတ်သက်တဲ့ Machine Learning task တွေ ပိုမိုတိုးတက်လာစေဖို့ သီးသန့်ရည်ရွယ်ပြီး လူကိုယ်တိုင် သေချာရွေးချယ်စစ်ဆေး ဖန်တီးထားတဲ့ အရည်အသွေးမြင့် audio dataset တစ်ခုဖြစ်ပါတယ်။

DatarrX ကနေ ဖန်တီးထားတဲ့ ဒီ dataset လေးက လူကိုယ်တိုင် သေချာစစ်ဆေးထားတဲ့၊ အရမ်းကို သဘာဝကျပြီး တကယ့်မြန်မာလူမျိုးတွေပြောနေသလိုမျိုး အသံထွက်တဲ့ synthetic voice တွေကို ထောက်ပံ့ပေးထားတာပါ။ ဒါကြောင့် မြန်မာစာလိုမျိုး low-resource ဖြစ်နေတဲ့ speech နည်းပညာတွေအတွက် လိုအပ်နေတဲ့ ကွက်လပ်ကို ဖြည့်ဆည်းပေးနိုင်မှာပါ။

Dataset အချက်အလက်များ

လက်ရှိမှာတော့ ဒီ dataset ထဲမှာ အရည်အသွေးမြင့် audio file ၅,၆၈၆ ခု ပါဝင်ပြီး၊ ကွဲပြားတဲ့ အသံပိုင်ရှင် (voice persona) နှစ်ခုကို ၅၀/၅၀ အချိုးကျ ခွဲဝေပေးထားပါတယ်။ နောက်ပိုင်း update တွေမှာလည်း ဒီ dataset ကို ဆက်ပြီးချဲ့ထွင်သွားဖို့ အစီအစဉ်ရှိပါတယ်။

အသံပိုင်ရှင်များ (Voice Personas)

Nawa (နဝ)- သဘာဝကျတဲ့ မြန်မာအမျိုးသားအသံပါ။
Wathan (ဝဿန်)- သဘာဝကျတဲ့ မြန်မာအမျိုးသမီးအသံပါ။

Dataset ဖွဲ့စည်းပုံ

Dataset ရဲ့ row တစ်ခုချင်းစီမှာ အောက်ပါ feature တွေ ပါဝင်ပါတယ်-

text- အသံထွက်ပြောထားတဲ့ မြန်မာစာသား/စာကြောင်းပါ။
audio- အဲဒီစာသားနဲ့သက်ဆိုင်တဲ့ ဖန်တီးထားတဲ့ (synthesized) audio file ပါ။
gender- အသံပိုင်ရှင်ရဲ့ ကျား/မ (Male/Female) ပါ။

ဖန်တီးတည်ဆောက်ပုံ အဆင့်ဆင့် (Methodology & Creation Process)

မြန်မာဘာသာစကားအတွက် သဘာဝကျတဲ့ synthetic အသံတွေ ဖန်တီးရတာက ဘာသာစကားပိုင်းဆိုင်ရာအရ တော်တော်လေးကို စိန်ခေါ်မှုရှိပါတယ်။ ဒါကို ကျော်လွှားနိုင်ဖို့အတွက် ဒီ dataset ကို Khant Sint Heinn (ခန့်ဆင့်ဟိဏ်း) က အစကနေအဆုံး လူကိုယ်တိုင်ပါဝင်စစ်ဆေးတဲ့ (human-in-the-loop) သီးသန့် pipeline တစ်ခုကို သုံးပြီး ဖန်တီးထားတာပါ။

၁။ Model ကို Fine-Tuning လုပ်ခြင်း- ကျွန်တော်တို့က VoxCPM2 model ကို အခြေခံအဖြစ် အသုံးပြုခဲ့ပါတယ်။ မြန်မာအသံထွက်တွေ ပိုပြီးတိကျမှန်ကန်ဖို့နဲ့ သဘာဝကျဖို့အတွက်၊ တကယ့်မြန်မာအသံစစ်စစ်တွေပါတဲ့ သေချာရွေးချယ်ထားတဲ့ dataset သေးသေးလေးတစ်ခုကိုသုံးပြီး model ကို အရင်ဆုံး fine-tune လုပ်ခဲ့ပါတယ်။ ၂။ အခြေခံအသံ (Anchor) ဖန်တီးခြင်း- Fine-tune လုပ်ထားတဲ့ model နဲ့ text prompt တွေကိုသုံးပြီး၊ ကျွန်တော်တို့ရဲ့ အမျိုးသားအသံ ("နဝ") နဲ့ အမျိုးသမီးအသံ ("ဝဿန်") အတွက် အကောင်းဆုံးဖြစ်မယ့် အခြေခံ audio နမူနာ (anchor) တွေကို ဖန်တီးခဲ့ပါတယ်။ ၃။ အသံဖန်တီးခြင်း (Synthesis)- အဲဒီနောက်မှာတော့ အဲဒီ anchor နမူနာတွေကို model ထဲပြန်ထည့်ပြီး (conditioning input အနေနဲ့သုံးပြီး) လိုချင်တဲ့ စာကြောင်းတွေကို တစ်ကြောင်းချင်းစီ အသံဖန်တီး (synthesize) ခဲ့ပါတယ်။ ၄။ လူကိုယ်တိုင် တင်းတင်းကျပ်ကျပ် စစ်ဆေးခြင်း- ဒါကတော့ အရေးအကြီးဆုံးအဆင့်ပါ။ ထွက်လာတဲ့ audio file တစ်ခုချင်းစီတိုင်းကို မြန်မာလူမျိုးကိုယ်တိုင် နားထောင်ပြီး သေချာစစ်ဆေးခဲ့ပါတယ်။ စက်သံပေါက်နေတာတွေ၊ အသံထွက်မှားနေတာတွေ၊ ဒါမှမဟုတ် သဘာဝမကျတဲ့ အသံတွေအကုန်လုံးကို ဖယ်ထုတ်ပစ်ခဲ့ပါတယ်။ တကယ့်မြန်မာလူမျိုးတစ်ယောက် ပြောနေသလို ချောမွေ့ပြီး သဘာဝကျတဲ့ အသံအနိမ့်အမြင့် (cadence) တွေ ပါတဲ့ audio file တွေကိုပဲ ဒီ နောက်ဆုံး dataset ထဲမှာ ထည့်သွင်းထားတာပါ။

ကန့်သတ်ချက်များနဲ့ သတိပြုစရာများ (Scope and Limitations)

ဒီ dataset မှာ အရည်အသွေးအရမ်းကောင်းတဲ့ audio တွေ ပါဝင်ပေမယ့်၊ သုတေသီတွေနဲ့ developer တွေအနေနဲ့ အောက်ပါ ဘာသာစကားဆိုင်ရာ ကန့်သတ်ချက်လေးတွေကိုတော့ သတိပြုစေချင်ပါတယ်-

စံမြန်မာစာကို အဓိကထားခြင်း- ဒီထဲက အပြောအဆိုပုံစံတွေနဲ့ အသံထွက်တွေက စံမြန်မာစာ (Standard Burmese) ကို အဓိကထားထားပြီး၊ အထူးသဖြင့် ရန်ကုန်လေသံနဲ့ အပြောအဆိုပုံစံမျိုး ဖြစ်ပါတယ်။
ဒေသန္တရစကားများ မပါဝင်ခြင်း- ဒီ dataset ထဲမှာ မန္တလေး ဒါမှမဟုတ် အညာဒေသလိုမျိုး တခြားဒေသတွေက လေသံတွေ၊ အသုံးအနှုန်းတွေနဲ့ ဒေသန္တရစကား (regional dialect) တွေ မပါဝင်ပါဘူး။
ပါဠိမွေးစားစကားလုံးများ- Model ကို မြန်မာအသံထွက်စစ်စစ်အတွက်ပဲ အကောင်းဆုံးဖြစ်အောင် ပြင်ဆင်ထားတာပါ။ ဒါကြောင့် ခက်ခဲတဲ့ ပါဠိမွေးစားစကားလုံးတွေ ဒါမှမဟုတ် အရမ်းတရားဝင်ဆန်တဲ့ ဘာသာရေးဝေါဟာရတွေကို အသံထွက်တဲ့အခါ တစ်ခါတလေ အခက်အခဲရှိတာမျိုး၊ အသံထွက်မှားတာမျိုးတွေ ရှိနိုင်ပါတယ်။

လိုင်စင်နဲ့ အသုံးပြုခွင့်

ဒီ dataset ကို Creative Commons Attribution 4.0 International (CC BY 4.0) လိုင်စင်အောက်မှာ ဖြန့်ဝေထားတာပါ။ ဒါဟာ လုံးဝ open-source ဖြစ်ပြီး၊ စီးပွားရေးလုပ်ငန်းတွေမှာဖြစ်ဖြစ်၊ ပညာရပ်ဆိုင်ရာ သုတေသနတွေမှာဖြစ်ဖြစ်၊ model training တွေမှာဖြစ်ဖြစ် ကြိုက်တဲ့ရည်ရွယ်ချက်နဲ့ အခမဲ့ လွတ်လွတ်လပ်လပ် အသုံးပြုနိုင်ပါတယ်။

တကယ်လို့ သင်က ဒီ dataset ကို သင့်ရဲ့ project တွေမှာ သုံးမယ်ဆိုရင်တော့၊ ဒီ open-source အရင်းအမြစ်လေး ဖန်တီးဖို့ ရင်းနှီးခဲ့ရတဲ့ အချိန်နဲ့ အားထုတ်မှုတွေကို အသိအမှတ်ပြုတဲ့အနေနဲ့ သင့်တော်တဲ့ citation လေး ထည့်ပေးဖို့ မေတ္တာရပ်ခံချင်ပါတယ်။

ကိုးကားရန် (APA Format)

တကယ်လို့ သင်က ဒီ dataset ကို သင့်ရဲ့ သုတေသန ဒါမှမဟုတ် ML pipeline တွေမှာ ထည့်သွင်းအသုံးပြုမယ်ဆိုရင် အောက်ပါအတိုင်း ကိုးကားပေးပါ -

Khant Sint Heinn. (2026). Burmese Synthetic Speech Corpus [Data set]. DatarrX. Hugging Face. [https://huggingface.co/datasets/DatarrX/burmese-synthetic-speech-corpus](https://huggingface.co/datasets/DatarrX/burmese-synthetic-speech-corpus)

ဖန်တီးသူအကြောင်း

Kalix Louis လို့ အမည်ရတဲ့ ခန့်ဆင့်ဟိဏ်း ဟာ Natural Language Processing (NLP)၊ data foundation တွေနဲ့ open-source AI infrastructure တွေကို အထူးပြုလေ့လာလုပ်ကိုင်နေတဲ့ Machine Learning Engineer တစ်ယောက် ဖြစ်ပါတယ်။ သူ့ရဲ့ အဓိက ရည်မှန်းချက်ကတော့ မြန်မာစာလိုမျိုး AI data နည်းပါးသေးတဲ့ ဘာသာစကားတွေကို နောက်ထပ်မျိုးဆက်သစ် language model တွေနဲ့ ကြီးမားကျယ်ပြန့်တဲ့ ဘာသာစကားဆိုင်ရာ tool တွေမှာ အသုံးပြုနိုင်အောင် data-rich asset တွေဖြစ်လာဖို့ပဲ ဖြစ်ပါတယ်။

လက်ရှိမှာတော့ DatarrX ရဲ့ Lead Developer အနေနဲ့ တာဝန်ယူလုပ်ကိုင်နေပြီး၊ ခိုင်မာတဲ့ data pipeline တွေ တည်ဆောက်တာ၊ ကြီးမားတဲ့ dataset တွေကို စီမံခန့်ခွဲတာနဲ့ အလွယ်တကူအသုံးပြုနိုင်တဲ့ machine learning application တွေအတွက် လိုအပ်တဲ့ open-source building block တွေကို ဖန်တီးတည်ဆောက်ပေးနေပါတယ်။ သူ့ရဲ့ နောက်ဆုံးပန်းတိုင်ကတော့ သန့်ရှင်းသပ်ရပ်တဲ့ data တွေ၊ အသုံးဝင်တဲ့ tool တွေနဲ့ community ကနေ ဦးဆောင်တဲ့ ဆန်းသစ်တီထွင်မှုတွေကနေတဆင့်၊ အရင်းအမြစ်နည်းပါးတဲ့ ဘာသာစကားတွေကို လက်တွေ့အသုံးချနိုင်တဲ့ အခွင့်အလမ်းတွေအဖြစ် ပြောင်းလဲပေးဖို့နဲ့ အလှမ်းဝေးနေတဲ့ လူမှုအသိုင်းအဝိုင်းတွေအတွက် AI ကို ပိုပြီးလက်လှမ်းမီလာအောင် လုပ်ဆောင်ပေးဖို့ပဲ ဖြစ်ပါတယ်။

DatarrX (ဒေတာ-အက်စ်) အကြောင်း

Rooting Burmese into AI.

DatarrX ဆိုတာ AI ခေတ်ကြီးထဲမှာ မြန်မာဘာသာစကားအတွက် ခိုင်မာတဲ့ digital foundation တစ်ခု တည်ဆောက်ဖို့ ရည်ရွယ်ထားတဲ့ အကျိုးအမြတ်မယူတဲ့ open-source foundation တစ်ခုပါ။ အရည်အသွေးမြင့်တဲ့ data တွေဟာ AI ဆန်းသစ်တီထွင်မှုတွေရဲ့ အဓိကအသက်သွေးကြောပဲလို့ ကျွန်တော်တို့ ယုံကြည်ပါတယ်။ ကျွန်တော်တို့ရဲ့ မျှော်မှန်းချက်ကတော့ မြန်မာစာကို low-resource ဘာသာစကားအဆင့်ကနေ နောက်ထပ်မျိုးဆက်သစ် AI နည်းပညာတွေအတွက် data ပြည့်ဝတဲ့ အခြေခံအုတ်မြစ်တစ်ခုအဖြစ် ပြောင်းလဲပေးဖို့ပဲ ဖြစ်ပါတယ်။

ကျွန်တော်တို့ရဲ့ လုပ်ငန်းစဉ်တွေကတော့ မြန်မာ AI ဂေဟစနစ် (ecosystem) ကို ပိုမိုအားကောင်းလာစေဖို့အတွက် အရည်အသွေးမြင့် open-source dataset တွေနဲ့ မရှိမဖြစ်လိုအပ်တဲ့ AI tool တွေကို တည်ဆောက်ဖို့၊ ပြီးတော့ နည်းပညာပိုင်းဆိုင်ရာ စာရွက်စာတမ်း (documentation) တွေကို မြန်မာမှုပြုဖို့ (localize) တွေပဲ ဖြစ်ပါတယ်။ ကျွန်တော်တို့ရဲ့ အဓိကတန်ဖိုး (core values) တွေကတော့ **ပွင့်လင်းမြင်သာမှု (Openness)**၊ တိကျမှန်ကန်မှု (Accuracy) နဲ့ ပူးပေါင်းဆောင်ရွက်မှု (Collaboration) တို့ပဲ ဖြစ်ပါတယ်။

ကျွန်တော်တို့နဲ့ ပူးပေါင်းပါ- ကျွန်တော်တို့က community ကနေ ဦးဆောင်တဲ့ foundation တစ်ခုပါ။ သင်က developer ပဲဖြစ်ဖြစ်၊ ဘာသာစကားပညာရှင် (linguist) ပဲဖြစ်ဖြစ်၊ နည်းပညာကို စိတ်ဝင်စားတဲ့သူပဲဖြစ်ဖြစ် သင့်ရဲ့ ပါဝင်ကူညီမှုတွေကို ကျွန်တော်တို့ ကြိုဆိုပါတယ်။ Data တွေ စုဆောင်းတာပဲဖြစ်ဖြစ်၊ အရင်းအမြစ်တွေကို ဘာသာပြန်ပေးတာပဲဖြစ်ဖြစ်၊ ကိုယ်သိထားတာလေးတွေကို မျှဝေပေးတာပဲဖြစ်ဖြစ်— သင့်ရဲ့ ပါဝင်ကူညီမှုလေး တစ်ခုချင်းစီတိုင်းက နည်းပညာနယ်ပယ်မှာ မြန်မာစာတိုးတက်လာဖို့အတွက် အများကြီး အထောက်အကူဖြစ်စေမှာပါ!

Downloads last month: 95