thantzinphyo/burmese-speech-refined-openslr-80

Burmese Speech Refined OpenSLR-80

Summary

This dataset is a speech dataset developed based on the original OpenSLR Dataset (SLR80), with the text and audio data carefully reviewed and further refined for Burmese language applications.

In the original OpenSLR Dataset, the Burmese text was transcribed based on how the words were pronounced in the corresponding audio recordings. In this dataset, the original audio and text data were used as a reference, and the text was manually reviewed and corrected to follow standard Burmese spelling and writing conventions.

The corrected Burmese text was then used to generate new audio using Piya, a male synthetic voice. Through this process, the dataset aims to provide Burmese text that follows standard writing conventions, together with consistent voice data and corresponding audio recordings in a unified dataset.

This work builds upon the valuable efforts of the original OpenSLR dataset creators and voice contributors, while further refining the text and audio components for specific Burmese speech-related applications.

The dataset is intended for use in Text-to-Speech (TTS), Speech Recognition (ASR), Speech Processing, and other Burmese language–based Machine Learning applications.

---

အကျဉ်းချုပ်

ဒီ Dataset ဟာ မူရင်း OpenSLR Dataset (SLR80) ကို အခြေခံပြီး မြန်မာဘာသာစကားအတွက် စာသားနဲ့ အသံအချက်အလက်များကို ပြန်လည်စစ်ဆေး၊ ပြင်ဆင်တည်ဆောက်ထားတဲ့ Speech Dataset တစ်ခုဖြစ်ပါတယ်။

မူရင်း OpenSLR Dataset မှာ အသံဖိုင်နဲ့ ကိုက်ညီစေရန် အသံထွက်အတိုင်း မြန်မာစာသားကို ပြန်လည်ရေးသားထားခြင်း ဖြစ်ပါတယ်။ ဒီ Dataset မှာတော့ မူရင်းအသံဖိုင်များနှင့် စာသားများကို အခြေခံပြီး မြန်မာစာရေးထုံးနှင့် စာလုံးပေါင်းအရ မှန်ကန်မှုရှိစေရန် စာသားများကို လူကိုယ်တိုင် ပြန်လည်စစ်ဆေးပြင်ဆင်ထားပါတယ်။

ထို့နောက် ပြင်ဆင်ထားတဲ့ မြန်မာစာသားများအတိုင်း Piya ဆိုတဲ့ အမျိုးသား Synthetic Voice ကို အသုံးပြုပြီး အသံဖိုင်များကို ပြန်လည်ဖန်တီးထားပါတယ်။ ဒီလိုပြန်လည်တည်ဆောက်ခြင်းအားဖြင့် မြန်မာစာရေးထုံးအမှန်နဲ့ ကိုက်ညီတဲ့ စာသားများ၊ တစ်သမတ်တည်းရှိတဲ့ Voice နဲ့ သက်ဆိုင်ရာ Audio Data များကို တစ်စုတစ်စည်းတည်း ရရှိစေရန် ရည်ရွယ်ထားပါတယ်။

မူရင်း OpenSLR Dataset ကို ဖန်တီးပေးခဲ့သူများနှင့် အသံသွင်းပေးခဲ့သူများ၏ အားထုတ်မှုကို အခြေခံ၍ ယခု Dataset တွင် စာသားပိုင်းနှင့် အသံပိုင်းဆိုင်ရာ လိုအပ်ချက်များကို ထပ်မံပြင်ဆင်တိုးတက်အောင် ပြုလုပ်ထားခြင်းဖြစ်ပါတယ်။

ဒီ Dataset ကို Text-to-Speech (TTS)၊ Speech Recognition (ASR)၊ Speech Processing နှင့် မြန်မာဘာသာစကားအခြေပြု Machine Learning လုပ်ငန်းများအတွက် အသုံးပြုနိုင်ရန် ရည်ရွယ်ထားပါတယ်။

---

Original Dataset Reference & Attribution

Myanmar Speech Dataset (OpenSLR-80)

This dataset consists exclusively of Myanmar speech recordings, extracted and refined from the larger multilingual OpenSLR dataset. For the complete multilingual dataset and additional information, please visit the original dataset repository of OpenSLR HuggingFace page.

Original Source

OpenSLR is a site devoted to hosting speech and language resources, such as training corpora for speech recognition, and software related to speech recognition.

• SLR80: Crowdsourced high-quality Burmese speech data set
• This data set contains transcribed high-quality audio of Burmese sentences recorded by volunteers.
• The data set has been manually quality checked, but there might still be errors.
• Please report any issues in the following issue tracker on GitHub: https://github.com/googlei18n/language-resources/issues
• The dataset is distributed under Creative Commons Attribution-ShareAlike 4.0 International Public License. See LICENSE file and https://github.com/google/language-resources#license for license information.
• Copyright 2018, 2019 Google, Inc.

Citation (SLR80)

@inproceedings{oo-etal-2020-burmese,
    title = "{B}urmese Speech Corpus, Finite-State Text Normalization and Pronunciation Grammars with an Application to Text-to-Speech",
    author = "Oo, Yin May and
      Wattanavekin, Theeraphol and
      Li, Chenfang and
      De Silva, Pasindu and
      Sarin, Supheakmungkol and
      Pipatsrisawat, Knot and
      Jansche, Martin and
      Kjartansson, Oddur and
      Gutkin, Alexander",
    booktitle = "Proceedings of The 12th Language Resources and Evaluation Conference (LREC)",
    month = may,
    year = "2020",
    pages = "6328--6339",
    address = "Marseille, France",
    publisher = "European Language Resources Association (ELRA)",
    url = "https://www.aclweb.org/anthology/2020.lrec-1.777",
    ISBN = "979-10-95546-34-4",
}

---

Dataset Overview

• Dataset Name: Burmese Speech Refined OpenSLR-80
• Total Clips: 2,529 audio files
• Total Duration: ~2.47 hours
• Audio Specs: 16 kHz, 16-bit PCM, Mono WAV
• Speaker: Piya (Male Synthetic Voice)
• Language: Myanmar / Burmese (my)