README.md

---
dataset_info:
  features:
  - name: audio
    dtype: audio
  - name: text
    dtype: string
  - name: text_with_preprocessing
    dtype: string
  splits:
  - name: train
    num_bytes: 10469997054.385853
    num_examples: 53218
  - name: validation
    num_bytes: 797745940.5021466
    num_examples: 4006
  download_size: 11156121622
  dataset_size: 11267742994.887999
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: validation
    path: data/validation-*
license: apache-2.0
task_categories:
- automatic-speech-recognition
- text-to-speech
language:
- ru
pretty_name: ToneRuLS
size_categories:
- 10K<n<100K
---

# ToneRuLS

**ToneRuLS** — обработанная версия [Russian LibriSpeech (RuLS)](https://openslr.org/96/). В датасете 91.36 часа аудио для `train` сплита и 6.87 часа для `validation`.

---

## Описание

Для каждого аудиофрагмента представлены:

1. **Ссылка на Wav-файл** (`audio`)
2. **Текстовая расшифровка** (`text`)
3. **Обработанный текст** (`text_with_preprocessing`) - текст с убранной пунктуацией и приведённый к нижнему регистру 



## Формат записи (JSON)

```json
{
  "audio":           "https://.../train/00001.wav",
  "text":            "Карл Иваныч сначала понюхал, утер нос, щелкнул пальцами и тогда только принялся за меня.",
  "text_with_preprocessing": "карл иваныч сначала понюхал утер нос щелкнул пальцами и тогда только принялся за меня"
}
```

---

## Пример использования

```python
from datasets import load_dataset

ds = load_dataset("Vikhrmodels/ToneRuLS")
```