Datasets:

smcproject
/

ml-phonetic-lexicon

word stringlengths 1 86	phonemes stringlengths 2 186
ഒരു	o ɾ u
ഈ	iː
എന്ന	e n̪ n̪ a
തന്നെ	t̪ a n̪ n̪ e
പറഞ്ഞു	p a r a ɲ ɲ u
എന്ന്	e n̪ n̪ ə
നിന്ന്	n̪ i n̪ n̪ ə
ആ	aː
നിന്നും	n̪ i n̪ n̪ u m
എന്നാൽ	e n n aː l
എന്നാൽ	e n̪ n̪ aː l
ഞാൻ	ɲ aː n
പി	p i
സർക്കാർ	s a r k k aː r
അദ്ദേഹം	a d̪ d̪ eː ɦ a m
പുതിയ	p u t̪ i j a
അത്	a t̪ ə
ചെയ്തു	t͡ʃ e j t̪ u
കെ	k e
സി	s i
ശേഷം	ʃ eː ʂ a m
കഴിഞ്ഞ	k a ɻ i ɲ ɲ a
എസ്	e s ə
എം	e m
കൂടുതൽ	k uː ʈ u t̪ a l
എന്റെ	e n ṯ e
കൊണ്ട്	k o ɳ ʈ ə
ഏറ്റവും	eː ṯ ṯ a ʋ u m
പോലീസ്	p oː l iː s ə
വലിയ	ʋ a l i j a
തന്റെ	t̪ a n ṯ e
മുതൽ	m u t̪ a l
ഇത്	i t̪ ə
മാത്രം	m aː t̪ r a m
എല്ലാ	e l l aː
വരെ	ʋ a ɾ e
സംസ്ഥാന	s a m s t̪ʰ aː n a
ചില	t͡ʃ i l a
ഇന്ത്യൻ	i n̪ t̪ j a n
അവർ	a ʋ a r
രണ്ട്	ɾ a ɳ ʈ ə
കൂടി	k uː ʈ i
പോലെ	p oː l e
ഇപ്പോൾ	i p p oː ɭ
എ	e
ദിവസം	d̪ i ʋ a s a m
നടത്തിയ	n̪ a ʈ a t̪ t̪ i j a
പോലും	p oː l u m
തുടർന്ന്	t̪ u ʈ a r n̪ n̪ ə
എന്നു	e n̪ n̪ u
ആണ്	aː ɳ ə
ഇവിടെ	i ʋ i ʈ e
വേണ്ടി	ʋ eː ɳ ʈ i
പറയുന്നു	p a r a j u n̪ n̪ u
നമ്മുടെ	n̪ a m m u ʈ e
നടന്ന	n̪ a ʈ a n̪ n̪ a
വീണ്ടും	ʋ iː ɳ ʈ u m
ന്	n̪ ə
ഇന്ന്	i n̪ n̪ ə
നൽകി	n̪ a l k i
മന്ത്രി	m a n̪ t̪ r i
ജില്ലാ	ɟ i l l aː
കോൺഗ്രസ്	k oː ɳ ɡ ɾ a s ə
കോടതി	k oː ʈ a t̪ i
വിവിധ	ʋ i ʋ i d̪ʱ a
അവരുടെ	a ʋ a ɾ u ʈ e
പല	p a l a
തുടങ്ങിയ	t̪ u ʈ a ŋ ŋ i j a
വർഷം	ʋ a r ʂ a m
നല്ല	n̪ a l l a
രണ്ടു	ɾ a ɳ ʈ u
കാരണം	k aː ɾ a ɳ a m
ബി	b i
മുഖ്യമന്ത്രി	m u kʰ j a m a n̪ t̪ r i
അറിയിച്ചു	a r i j i t͡ʃ t͡ʃ u
റിപ്പോർട്ട്	r i p p oː r ʈ ʈ ə
വളരെ	ʋ a ɭ a ɾ e
ചെയ്ത	t͡ʃ e j t̪ a
സെക്രട്ടറി	s e k r a ʈ ʈ a r i
കേരള	k eː ɾ a ɭ a
പൊലീസ്	p o l iː s ə
വി	ʋ i
സ്വന്തം	s ʋ a n̪ t̪ a m
ഐ	ai̯
പ്രസിഡന്റ്	p r a s i ɖ a n ṯ ə
ഇനി	i n i
എന്നും	e n̪ n̪ u m
രൂപ	ɾ uː p a
പേരിൽ	p eː ɾ i l
നൽകിയ	n̪ a l k i j a
രാഷ്ട്രീയ	ɾ aː ʂ ʈ r iː j a
പിന്നെ	p i n̪ n̪ e
ഓരോ	oː ɾ oː
ബിജെപി	b i ɟ e p i
ഇത്തരം	i t̪ t̪ a ɾ a m
കേന്ദ്ര	k eː n̪ d̪ ɾ a
ചെയ്യുന്ന	t͡ʃ e j j u n̪ n̪ a
പാർട്ടി	p aː r ʈ ʈ i
വഴി	ʋ a ɻ i
ടി	ʈ i

End of preview. Expand in Data Studio

YAML Metadata Warning:The task_categories "text2text-generation" is not in the official list: text-classification, token-classification, table-question-answering, question-answering, zero-shot-classification, translation, summarization, feature-extraction, text-generation, fill-mask, sentence-similarity, text-to-speech, text-to-audio, automatic-speech-recognition, audio-to-audio, audio-classification, audio-text-to-text, voice-activity-detection, depth-estimation, image-classification, object-detection, image-segmentation, text-to-image, image-to-text, image-to-image, image-to-video, unconditional-image-generation, video-classification, reinforcement-learning, robotics, tabular-classification, tabular-regression, tabular-to-text, table-to-text, multiple-choice, text-ranking, text-retrieval, time-series-forecasting, text-to-video, image-text-to-text, image-text-to-image, image-text-to-video, visual-question-answering, document-question-answering, zero-shot-image-classification, graph-ml, mask-generation, zero-shot-object-detection, text-to-3d, image-to-3d, image-feature-extraction, video-text-to-text, keypoint-detection, visual-document-retrieval, any-to-any, video-to-video, other

Malayalam Phonetic Lexicon

This dataset contains words in Malayalam script and their pronunciation in International Phonetic Alphabet (IPA)

The words in the lexicon are sourced from

The most frequest 100 thousand words from Indic NLP corpus
Curated collection of word categories from Mlmorph project

This pronunciations are created using Mlphon python Library.

Applications

Ready to use pronunciation lexicons for ASR and TTS
To train datadriven grapheme to phoneme models

If you are using this dataset for any research, cite

  author={Manohar, Kavya and Jayan, A. R. and Rajan, Rajeev},
  journal={IEEE Access}, 
  title={Mlphon: A Multifunctional Grapheme-Phoneme Conversion Tool Using Finite State Transducers}, 
  year={2022},
  volume={10},
  number={},
  pages={97555-97575},
  doi={10.1109/ACCESS.2022.3204403}}

Downloads last month: 27

Size of downloaded dataset files:

9.51 MB

Size of the auto-converted Parquet files:

4.86 MB

Number of rows:

174,850

Models trained or fine-tuned on smcproject/ml-phonetic-lexicon

Rowdythelegend/Ndu-It-All

Updated Feb 22, 2025