Datasets:

ArjunJ
/

malayalam_speech

Error code:   DatasetGenerationError
Exception:    CastError
Message:      Couldn't cast
file_name: string
transcription: string
audio_duration: double
audio_path: string
segments: list<item: struct<start: double, end: double, text: string, speaker: int64>>
  child 0, item: struct<start: double, end: double, text: string, speaker: int64>
      child 0, start: double
      child 1, end: double
      child 2, text: string
      child 3, speaker: int64
to
{'audio_duration': Value('float64'), 'segments': List({'start': Value('float64'), 'end': Value('float64'), 'text': Value('string'), 'speaker': Value('int64')}), 'audio_path': Value('string')}
because column names don't match
Traceback:    Traceback (most recent call last):
                File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1816, in _prepare_split_single
                  for key, table in generator:
                                    ^^^^^^^^^
                File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 613, in wrapped
                  for item in generator(*args, **kwargs):
                              ~~~~~~~~~^^^^^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 343, in _generate_tables
                  self._cast_table(pa_table, json_field_paths=json_field_paths),
                  ~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 132, in _cast_table
                  pa_table = table_cast(pa_table, self.info.features.arrow_schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2369, in table_cast
                  return cast_table_to_schema(table, schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2297, in cast_table_to_schema
                  raise CastError(
                  ...<3 lines>...
                  )
              datasets.table.CastError: Couldn't cast
              file_name: string
              transcription: string
              audio_duration: double
              audio_path: string
              segments: list<item: struct<start: double, end: double, text: string, speaker: int64>>
                child 0, item: struct<start: double, end: double, text: string, speaker: int64>
                    child 0, start: double
                    child 1, end: double
                    child 2, text: string
                    child 3, speaker: int64
              to
              {'audio_duration': Value('float64'), 'segments': List({'start': Value('float64'), 'end': Value('float64'), 'text': Value('string'), 'speaker': Value('int64')}), 'audio_path': Value('string')}
              because column names don't match
              
              The above exception was the direct cause of the following exception:
              
              Traceback (most recent call last):
                File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 1369, in compute_config_parquet_and_info_response
                  parquet_operations, partial, estimated_dataset_info = stream_convert_to_parquet(
                                                                        ~~~~~~~~~~~~~~~~~~~~~~~~~^
                      builder, max_dataset_size_bytes=max_dataset_size_bytes
                      ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                  )
                  ^
                File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 948, in stream_convert_to_parquet
                  builder._prepare_split(split_generator=splits_generators[split], file_format="parquet")
                  ~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1683, in _prepare_split
                  for job_id, done, content in self._prepare_split_single(
                                               ~~~~~~~~~~~~~~~~~~~~~~~~~~^
                      gen_kwargs=gen_kwargs, job_id=job_id, **_prepare_split_args
                      ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                  ):
                  ^
                File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1869, in _prepare_split_single
                  raise DatasetGenerationError("An error occurred while generating the dataset") from e
              datasets.exceptions.DatasetGenerationError: An error occurred while generating the dataset

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

audio_duration float64	segments list	audio_path string
2.523	[ { "start": 0, "end": 2.523, "text": "അങ്ങനെ രണ്ടാം ലോകമഹായുദ്ധം അവസാനിച്ചു", "speaker": 0 } ]	female_mlf_01130_00015565294.wav
3.87	[ { "start": 0, "end": 3.87, "text": "അതിന്റെ മറുഭാഗം മറ്റൊരു കുഴൽ വഴി വെന്റിലേറ്റർ യന്ത്രവുമായി ഘടിപ്പിക്കുന്നു", "speaker": 0 } ]	female_mlf_01130_00017668262.wav
4.427	[ { "start": 0, "end": 4.427, "text": "അവസാനം ചെ സാന്താ ക്ലാര ആക്രമിക്കാനായി തന്റെ ആത്മഹത്യാ സംഘത്തെ തയ്യാറാക്കി", "speaker": 0 } ]	female_mlf_01130_00033664250.wav
4.348	[ { "start": 0, "end": 4.348, "text": "ആരണ്യർക്ക് ശേഷം റേ സമകാലീന ബംഗാളി യാഥാർത്ഥ്യങ്ങളിലേയ്ക്ക് ശ്രദ്ധയൂന്നി", "speaker": 0 } ]	female_mlf_01130_00038107106.wav
3.537	[ { "start": 0, "end": 3.537, "text": "അതോടെ ഒക്ടേവിയന് ആ സ്ഥലങ്ങളുടെ നിയന്ത്രണാധികാരവും കൈവന്നു", "speaker": 0 } ]	female_mlf_01130_00083214416.wav
3.687	[ { "start": 0, "end": 3.687, "text": "ആണിയുടെ അഗ്രത്തിൽ ഒലീവ് മരത്തിന്റെ സൂക്ഷ്മഭാഗങ്ങളുണ്ടായിരുന്നു", "speaker": 0 } ]	female_mlf_01130_00113428251.wav
3.332	[ { "start": 0, "end": 3.332, "text": "ആ വർഷാന്ത്യം ഫുട്ബോളിന്റെ ആദ്യത്തെ നിയമ പട്ടിക പുറത്തിറങ്ങി", "speaker": 0 } ]	female_mlf_01130_00133435268.wav
3.369	[ { "start": 0, "end": 3.369, "text": "അതിനായുള്ള വിപുലമായ ശേഖരങ്ങൾ ജാവയിൽ ഇണക്കിച്ചേർത്തിരിക്കുന്നു", "speaker": 0 } ]	female_mlf_01130_00239480533.wav
3.438	[ { "start": 0, "end": 3.438, "text": "പറവൂർ എന്ന വാക്കാൽ വിവക്ഷിക്കാവുന്ന ഒന്നിലധികം കാര്യങ്ങളുണ്ട്", "speaker": 0 } ]	female_mlf_01130_00240143602.wav
3.562	[ { "start": 0, "end": 3.562, "text": "ഓട് എന്ന വാക്കാൽ വിവക്ഷിക്കാവുന്ന ഒന്നിലധികം കാര്യങ്ങളുണ്ട്", "speaker": 0 } ]	female_mlf_01130_00265871390.wav
3.641	[ { "start": 0, "end": 3.641, "text": "ആനകൾക്കായി ഒരു ദേശീയോദ്യാനം തയ്യാറാക്കുന്നതിന് തടസ്സങ്ങൾ ഒരുപാടുണ്ട്", "speaker": 0 } ]	female_mlf_01130_00313829887.wav
3.741	[ { "start": 0, "end": 3.741, "text": "അവസാനകാലത്ത് ലൂഥർ ജൂതരേക്കുറിച്ചെഴുതിയ കാര്യങ്ങൾ വിവാദപരമായിരുന്നു", "speaker": 0 } ]	female_mlf_01130_00339411587.wav
4.354	[ { "start": 0, "end": 4.354, "text": "അത്തരം ദിവസങ്ങളിൽ കടലാസിൽ എഴുതിയാണ് അദ്ദേഹം ആശയവിനിമയം നടത്തിയിരുന്നത്", "speaker": 0 } ]	female_mlf_01130_00419900917.wav
4.431	[ { "start": 0, "end": 4.431, "text": "അന്നത്തെ സുപ്രീം കോടതി ജഡ്ജിയായിരുന്ന കാർലോസ് പിയദ്രയെ പുതിയ പ്രസിഡന്റായി നിയമിച്ചു", "speaker": 0 } ]	female_mlf_01130_00420136293.wav
1.614	[ { "start": 0, "end": 1.614, "text": "അർത്ഥം അയക്കപ്പെട്ടവൻ എന്നാണ്", "speaker": 0 } ]	female_mlf_01130_00441435203.wav
3.311	[ { "start": 0, "end": 3.311, "text": "അതിനാൽ തന്നെ ഇത് വാർധക്യത്തെ ഒരു പരിധിവരെ തടയുന്നു", "speaker": 0 } ]	female_mlf_01130_00443893148.wav
4.333	[ { "start": 0, "end": 4.333, "text": "അച്ചടിയുടെ മനോഹാരിത കണ്ട് അന്നത്തെ റസിഡന്റ് ന്യൂവാൾ അദ്ദേഹത്തെ അഭിനന്ദിച്ചു", "speaker": 0 } ]	female_mlf_01130_00450557926.wav
2.599	[ { "start": 0, "end": 2.599, "text": "അതിന്റെ അനന്തരഫലങ്ങളും വിനാശകരമായിരുന്നു", "speaker": 0 } ]	female_mlf_01130_00482570085.wav
2.588	[ { "start": 0, "end": 2.588, "text": "ആദിമ ക്രൈസ്തവ സഭ എന്നോ മറ്റോ തലക്കെട്ട് മാറ്റാം", "speaker": 0 } ]	female_mlf_01130_00523054204.wav
3.629	[ { "start": 0, "end": 3.629, "text": "ആക്രമണത്തെപ്പറ്റിയുള്ള അന്വേഷണത്തിന് ഈ ഫോൺ സന്ദേശങ്ങൾ ഏറെ സഹായകമായി", "speaker": 0 } ]	female_mlf_01130_00536950818.wav
2.383	[ { "start": 0, "end": 2.383, "text": "ആനകളുടെ കുട്ടിക്കാലം വളരെ കൂടുതലാണ്", "speaker": 0 } ]	female_mlf_01130_00538927816.wav
3.11	[ { "start": 0, "end": 3.11, "text": "രാവിലെ കൃത്യം ആറ് മണിക്ക് ഒരു വലിയ വാർപ്പിൽ വെള്ളം ഒഴിച്ചു തിളപ്പിക്കുന്നു", "speaker": 0 } ]	female_mlf_01130_00555910768.wav
4.241	[ { "start": 0, "end": 4.241, "text": "അതുകൊണ്ട് തത്ത്വമീമാംസയിലെ വലിയ പ്രശ്നങ്ങളുടെ പരിഹാരം അപ്രാപ്യമായിത്തന്നെയിരിക്കും", "speaker": 0 } ]	female_mlf_01130_00565059999.wav
3.651	[ { "start": 0, "end": 3.651, "text": "അദ്ദേഹത്തിന്റെ ജീവിതകാലത്തെക്കുറിച്ച് വ്യത്യസ്തമായ അഭിപ്രായങ്ങളുണ്ട്", "speaker": 0 } ]	female_mlf_01130_00582669107.wav
4.654	[ { "start": 0, "end": 4.654, "text": "അൻപത്തിയേഴാം വയസ്സിൽ ആയിരത്തി മുപ്പത്തിയേഴ് ജൂണിൽ ആ പ്രതിഭ ഇഹലോകം വെടിഞ്ഞു", "speaker": 0 } ]	female_mlf_01130_00583906423.wav
2.882	[ { "start": 0, "end": 2.882, "text": "അദ്ദേഹം സന്ധിവാതത്തിനുള്ള ശസ്ത്രക്രിയക്ക് വിധേയനായി", "speaker": 0 } ]	female_mlf_01130_00586352140.wav
3.675	[ { "start": 0, "end": 3.675, "text": "അവർക്കുവേണ്ടിയിരുന്നത് അധികാരവും പുകഴ്ച്ചയും മഹത്ത്വവും ആയിരുന്നു", "speaker": 0 } ]	female_mlf_01130_00620275339.wav
5.431	[ { "start": 0, "end": 5.431, "text": "അതിനിടയിൽ ഇന്ത്യ സ്വതന്ത്രമാവുകയും സാലിം അലി ബി എൻ എച്ച് എസ്സിന്റെ തലവനാവുകയും ഒക്കെ ചെയ്തു", "speaker": 0 } ]	female_mlf_01130_00651844550.wav
2.481	[ { "start": 0, "end": 2.481, "text": "ആറു പേരിൽ രണ്ടുപേർ ന്യായാധിപന്മാരായിരുന്നു", "speaker": 0 } ]	female_mlf_01130_00696745991.wav
3.848	[ { "start": 0, "end": 3.848, "text": "അഭിനയ ക്രിയകളിലൂടെയാണ് കഥാപാത്രത്തിന്റെ സ്വഭാവം പ്രേക്ഷകരെ മനസ്സിലാക്കിതരുന്നത്", "speaker": 0 } ]	female_mlf_01130_00722383767.wav
2.918	[ { "start": 0, "end": 2.918, "text": "ഇടുക്കി ജില്ലയുടെ ഭാഗമായ ഒരു ചെറിയ പട്ടണമാണ് മൂന്നാർ", "speaker": 0 } ]	female_mlf_01130_00738928087.wav
4.739	[ { "start": 0, "end": 4.739, "text": "അവയിൽ ചിലത് കുറച്ച് താളുകൾ മാത്രം ഉള്ളതും ചിലത് ഏതാനും വാല്യങ്ങൾ ഉള്ളതുമാണ്", "speaker": 0 } ]	female_mlf_01130_00758072103.wav
2.357	[ { "start": 0, "end": 2.357, "text": "ശിവൻ ആണ് ഇവിടത്തെ പ്രധാന പ്രതിഷ്ഠ", "speaker": 0 } ]	female_mlf_01130_00780134996.wav
2.162	[ { "start": 0, "end": 2.162, "text": "അവ നിറങ്ങൾ കൊടുത്ത് ഭംഗിയാക്കിയിരിക്കുന്നു", "speaker": 0 } ]	female_mlf_01130_00788717454.wav
2.296	[ { "start": 0, "end": 2.296, "text": "ഇംഗ്ലീഷ് ഭാഷയിൽ ബിരുദാനന്തര ബിരുദം നേടിയിട്ടുണ്ട്", "speaker": 0 } ]	female_mlf_01130_00842168275.wav
2.27	[ { "start": 0, "end": 2.27, "text": "ആനകൾ വരുമ്പോൾ അത് ഈ കുഴിയിൽ വീഴുന്നു", "speaker": 0 } ]	female_mlf_01130_00846497941.wav
2.708	[ { "start": 0, "end": 2.708, "text": "അവിടെയും അദ്ദേഹം ശാന്തി സന്ദേശം പ്രചരിപ്പിച്ചു", "speaker": 0 } ]	female_mlf_01130_00863795018.wav
2.155	[ { "start": 0, "end": 2.155, "text": "അദ്ദേഹത്തിന്റെ കാഴ്ചയും മങ്ങാനാരംഭിച്ചു", "speaker": 0 } ]	female_mlf_01130_00868765332.wav
2.452	[ { "start": 0, "end": 2.452, "text": "കൂടുതലും അറബി നാമങ്ങൾ ആയിരുന്നു ഉപയോഗിച്ചിരുന്നത്", "speaker": 0 } ]	female_mlf_01130_00874434621.wav
4.049	[ { "start": 0, "end": 4.049, "text": "അടുത്തകാലത്തായി ജനങ്ങൾ തിങ്ങിപ്പാർക്കുന്ന ഒട്ടനവധി പ്രദേശങ്ങൾ ഇവിടെ രൂപപ്പെട്ടിട്ടുണ്ട്", "speaker": 0 } ]	female_mlf_01130_00908486886.wav
5.258	[ { "start": 0, "end": 5.258, "text": "അടക്കവുമൊതുക്കവുമുള്ള ശാന്തപ്രകൃതിയായിരുന്ന അവർക്ക് ഔപചാരികവിദ്യാഭ്യാസം കിട്ടിയിരുന്നില്ല", "speaker": 0 } ]	female_mlf_01130_00913426001.wav
4.032	[ { "start": 0, "end": 4.032, "text": "അൽ ഇത്തിഹാദ് അൽ അഹ്ലി എന്നിവ ജിദ്ദയിലെ അറിയപ്പെടുന്ന ക്ലബ്ബുകളാണ്", "speaker": 0 } ]	female_mlf_01130_00926327210.wav
4.147	[ { "start": 0, "end": 4.147, "text": "ആ വർഷം തന്നെ തെനാലി എന്ന ഹാസ്യപ്രധാനമായ സിനിമയിലും കമലഹാസൻ അഭിനയിച്ചു", "speaker": 0 } ]	female_mlf_01130_00950025775.wav
3.5	[ { "start": 0, "end": 3.5, "text": "പാർട്ടി എന്നീ പേരിലും ഈ വിഭാഗം ചിലയിടങ്ങളിൽ അറിയപ്പെടുന്നു", "speaker": 0 } ]	female_mlf_01130_00959802147.wav
4.039	[ { "start": 0, "end": 4.039, "text": "അസുരരാജാവും വിഷ്ണുഭക്തനുമായിരുന്ന പ്രഹ്ലാദന്റെ പേരക്കുട്ടി ആയിരുന്നു മഹാബലി", "speaker": 0 } ]	female_mlf_01130_00970878818.wav
3.13	[ { "start": 0, "end": 3.13, "text": "അദ്ദേഹത്തിന് മതകാര്യങ്ങളിൽ ഒന്നും അത്ര പിടിപാടുണ്ടായിരുന്നില്ല", "speaker": 0 } ]	female_mlf_01130_00986397868.wav
3.503	[ { "start": 0, "end": 3.503, "text": "അക്രമനടപടികളോട് പ്രതിക്ഷേധിച്ച് സംസ്ഥാനതല സമരം തുടങ്ങി", "speaker": 0 } ]	female_mlf_01130_01048279993.wav
4.305	[ { "start": 0, "end": 4.305, "text": "അതിനു ശേഷം ജിണ്ടാൽ തന്റെ ഓഫീസിനു മുകളിൽ ഇന്ത്യൻ പതാക പ്രദർശിപ്പിക്കുകയും ചെയ്തു", "speaker": 0 } ]	female_mlf_01130_01048806343.wav
3.591	[ { "start": 0, "end": 3.591, "text": "അശോകൻ ഗ്രീക്കിലും അരമായിക ഭാഷയിലും കല്പനകൾ പുറപ്പെടുവിച്ചിരുന്നു", "speaker": 0 } ]	female_mlf_01130_01078409060.wav
3.876	[ { "start": 0, "end": 3.876, "text": "അഭിനയഹസ്തം നൃത്തഹസ്തം എന്നിങ്ങനെ മുദ്രകൾ രണ്ട് തരത്തിലുണ്ട്", "speaker": 0 } ]	female_mlf_01130_01086601134.wav
4.162	[ { "start": 0, "end": 4.162, "text": "ആദ്യ കളിയിൽ തന്നെ പുറത്താകാതെ മുപ്പത്തിയേഴ് റൺസും ഇരുപത്തിയൊമ്പത് റൺസും നേടി", "speaker": 0 } ]	female_mlf_01130_01091656305.wav
3.976	[ { "start": 0, "end": 3.976, "text": "അതുകൊണ്ട് പഞ്ചാബ് റെയിൽവേയുടെ തറക്കല്ലിടാനും അദ്ദേഹത്തിന് അവസരം ലഭിച്ചു", "speaker": 0 } ]	female_mlf_01130_01103613859.wav
4.766	[ { "start": 0, "end": 4.766, "text": "അതിനെ ഒരു പുരാതനശില്പമെന്ന മട്ടിൽ റോമിൽ കൂടിയ വിലക്ക് വിൽക്കുകയായിരുന്നു ലക്ഷ്യം", "speaker": 0 } ]	female_mlf_01130_01112000068.wav
3.023	[ { "start": 0, "end": 3.023, "text": "അതേസമയം എല്ലാ മതങ്ങളിലേയും നന്മയിലും അദ്ദേഹം വിശ്വസിച്ചു", "speaker": 0 } ]	female_mlf_01130_01135932857.wav
5.16	[ { "start": 0, "end": 5.16, "text": "അഞ്ചു നേരത്തെ നമസ്കാരത്തിനും ഇവിടുത്തെ ആളുകൾ അധികവും മസ്ജിദുൽ ഹറമിലെത്തുന്നു", "speaker": 0 } ]	female_mlf_01130_01158815365.wav
2.481	[ { "start": 0, "end": 2.481, "text": "പക്ഷെ ഇന്നത്തെ അവസ്ഥയിൽ ഇത് പൂർണമായും സാധ്യമല്ല", "speaker": 0 } ]	female_mlf_01130_01185332286.wav
3.945	[ { "start": 0, "end": 3.945, "text": "അവയുടെ നിർമ്മാണം അക്കാലത്ത് കൂടുതൽ ബഹുമാന്യമായ തൊഴിലായി കരുതപ്പെട്ടിരുന്നു", "speaker": 0 } ]	female_mlf_01130_01192308872.wav
4.303	[ { "start": 0, "end": 4.303, "text": "അന്റാർട്ടിക്കയിലെ ഒരു ഭീമൻ മഞ്ഞുപാളിയുടെ സമീപത്തുകൂടിയായിരുന്നു അദ്ദേഹത്തിന്റെ യാത്ര", "speaker": 0 } ]	female_mlf_01130_01205170682.wav
5.658	[ { "start": 0, "end": 5.658, "text": "അശ്വമേധം പോലുള്ള യാഗങ്ങളിലും രാജസൂയം പോലുള്ള യജ്ഞങ്ങളിലും നൃത്തം ഒരു പ്രധാന ചടങ്ങായിരുന്നു", "speaker": 0 } ]	female_mlf_01130_01213171280.wav
2.718	[ { "start": 0, "end": 2.718, "text": "കുട്ടിക്കാലം മുതൽക്കേ ശോഭന ഭരതനാട്യം അഭ്യസിച്ചു", "speaker": 0 } ]	female_mlf_01130_01251040878.wav
3.752	[ { "start": 0, "end": 3.752, "text": "അവർക്ക് നൽകുന്ന ബലിയാണ് ശ്രീബലി അഥവാ ശീവേലി അത്രെ", "speaker": 0 } ]	female_mlf_01130_01318431892.wav
4.261	[ { "start": 0, "end": 4.261, "text": "അവർ വച്ചുനീട്ടിയ വ്യവസ്ഥകൾ വളരെ ഉദാരമായിരുന്നിട്ടും അദ്ദേഹം ആ സ്ഥാനം സ്വീകരിച്ചില്ല", "speaker": 0 } ]	female_mlf_01130_01327966379.wav
3.258	[ { "start": 0, "end": 3.258, "text": "അമ്മാവന്റെ മക്കൾ ആദ്യമായി അന്ന് യുവാവിന് ക്ഷൗരം ചെയ്യുന്നു", "speaker": 0 } ]	female_mlf_01130_01331700629.wav
3.407	[ { "start": 0, "end": 3.407, "text": "അദ്ദേഹത്തിന്റെ അനുയായികൾ പ്രസിഡന്റിന്റെ കൊട്ടാരം ഉപരോധിച്ചു", "speaker": 0 } ]	female_mlf_01130_01345972836.wav
2.409	[ { "start": 0, "end": 2.409, "text": "കുരുമുളക് എന്ന് രണ്ട് പേജുകൾ കാണപ്പെടുന്നു", "speaker": 0 } ]	female_mlf_01130_01375031212.wav
3.723	[ { "start": 0, "end": 3.723, "text": "അതിനടുത്ത വർഷം ഭഗത് സിംഗ് കീർത്തിയുടെ പത്രാധിപ സമിതിയിൽ അംഗമായി", "speaker": 0 } ]	female_mlf_01130_01475260735.wav
3.126	[ { "start": 0, "end": 3.126, "text": "അതിനാൽ ഡയറികൾക്ക് പല വ്യാഖ്യാനങ്ങളും നിലവിൽ വന്നിരിക്കുന്നു", "speaker": 0 } ]	female_mlf_01130_01490862493.wav
2.741	[ { "start": 0, "end": 2.741, "text": "ആ സുഖവാസകേന്ദ്രങ്ങൾ ഇന്നും സംരക്ഷിക്കപ്പെട്ടു വരുന്നു", "speaker": 0 } ]	female_mlf_01130_01505597203.wav
2.459	[ { "start": 0, "end": 2.459, "text": "ഇന്ന് രാവിലെ മുതൽ കുഴപ്പമില്ല എന്ന് തോന്നുന്നു", "speaker": 0 } ]	female_mlf_01130_01506941706.wav
3.354	[ { "start": 0, "end": 3.354, "text": "അറ്റ്‌ലാന്റിക്കിന്റെ തെക്കും വടക്കും അതിരുകൾ വ്യക്തമായി നിർവചിക്കപ്പെട്ടിട്ടില്ല", "speaker": 0 } ]	female_mlf_01130_01543528835.wav
3.236	[ { "start": 0, "end": 3.236, "text": "അതിരുവിട്ട ആത്മവിശ്വാസം അയാൾക്ക് തുടരെ വിനയാകുന്നു", "speaker": 0 } ]	female_mlf_01130_01556331104.wav
4.344	[ { "start": 0, "end": 4.344, "text": "അത്താഴപൂജക്ക് ശേഷം അശ്വതീപൂജ എന്ന പേരിൽ രഹസ്യമായ മറ്റൊരു ചടങ്ങൂകൂടി നടത്തപ്പെടുന്നു", "speaker": 0 } ]	female_mlf_01130_01680851567.wav
3.012	[ { "start": 0, "end": 3.012, "text": "അവയെക്കുറിച്ചറിയാൻ മംഗളം നാനാർത്ഥങ്ങൾ എന്ന താൾ കാണുക", "speaker": 0 } ]	female_mlf_01130_01694840250.wav
4.182	[ { "start": 0, "end": 4.182, "text": "അവ രക്തത്തിലെ ജലത്തിന്റെ അംശം കുറയ്ക്കുന്നത് വഴിയാണ് രക്തസമ്മർദ്ദം നിയന്ത്രിക്കുന്നത്", "speaker": 0 } ]	female_mlf_01130_01737070312.wav
3.746	[ { "start": 0, "end": 3.746, "text": "ആ സംഭവഗതികളുടെ അഭികാമ്യതയെക്കുറിച്ച് അദ്ദേഹം സംശയാലുവായിരുന്നു", "speaker": 0 } ]	female_mlf_01130_01742512967.wav
3.559	[ { "start": 0, "end": 3.559, "text": "അതിനു പത്തു ദിവസം മുൻപ് അത്തം നാളിൽ തന്നെ ആഘോഷങ്ങൾക്ക് ആരംഭമാകുന്നു", "speaker": 0 } ]	female_mlf_01130_01754682933.wav
3.799	[ { "start": 0, "end": 3.799, "text": "അതിനായി ഞാൻ ചെയ്തത് പരമാവധി ചിത്രങ്ങൾ ഇല്ലാത്ത ലേഖനങ്ങളിൽ ചിത്രം ചേർക്കുക", "speaker": 0 } ]	female_mlf_01130_01796252017.wav
4.223	[ { "start": 0, "end": 4.223, "text": "അരങ്ങേറ്റത്തിനു ശേഷം ഏതാണ്ട് അഞ്ചു ചിത്രങ്ങളിൽകൂടി കമലഹാസൻ ബാലതാരമായി അഭിനയം തുടർന്നു", "speaker": 0 } ]	female_mlf_01130_01799561577.wav
3.101	[ { "start": 0, "end": 3.101, "text": "സതി എന്ന വാക്കിനാൽ താഴെപ്പറയുന്ന എന്തിനേയും വിവക്ഷിക്കാം", "speaker": 0 } ]	female_mlf_01130_01811553330.wav
5.465	[ { "start": 0, "end": 5.465, "text": "ആഘോഷങ്ങളിലെ ചടങ്ങുകൾ വിവിധമതങ്ങളിൽ വിവിധതരമാണെങ്കിലും ചില സമാനതകൾ ദർശിക്കാനാവും", "speaker": 0 } ]	female_mlf_01130_01865161573.wav
2.331	[ { "start": 0, "end": 2.331, "text": "ഇത് സഹായി താളിൽ നൽകിയാൽ നന്നായിരിക്കും", "speaker": 0 } ]	female_mlf_01130_01882085036.wav
2.406	[ { "start": 0, "end": 2.406, "text": "അദ്ദേഹത്തിന്റെ മാതൃഭാഷ അറബി ആയിരുന്നു", "speaker": 0 } ]	female_mlf_01130_01893404261.wav
3.404	[ { "start": 0, "end": 3.404, "text": "അനേകം ശിവനൃത്തങ്ങളെപ്പറ്റി പ്രകീർത്തിക്കുന്ന ശൈവഗ്രന്ഥങ്ങളുണ്ട്", "speaker": 0 } ]	female_mlf_01130_01933505030.wav
2.047	[ { "start": 0, "end": 2.047, "text": "പൊതുവായ വിവരങ്ങൾ ഇവിടെ ഞെക്കിയാൽ കാണാം", "speaker": 0 } ]	female_mlf_01130_01970752818.wav
2.39	[ { "start": 0, "end": 2.39, "text": "ശിവന്റെ മകൻ ആണ് അയ്യപ്പൻ എന്നാണ് വിശ്വാസം", "speaker": 0 } ]	female_mlf_01130_01997048964.wav
4.191	[ { "start": 0, "end": 4.191, "text": "കായികസംസ്കാരം ഇല്ലാത്തവരാണ് ഇന്ത്യക്കാരെന്ന് ആയിരുന്നു ബിന്ദ്രയുടെ അഭിപ്രായ പ്രകടനം", "speaker": 0 } ]	female_mlf_01130_02066141307.wav
5.361	[ { "start": 0, "end": 5.361, "text": "പിന്നീട് ആ നാടകബന്ധം ചോ രാമസ്വാമിയുടെ നാടകങ്ങളിലേക്ക് സുകുമാരിക്ക് അവസരം തുറന്നു", "speaker": 0 } ]	female_mlf_01130_02067372171.wav
4.213	[ { "start": 0, "end": 4.213, "text": "തേക്കടിയിൽ നിലവിൽ കാണുന്ന തടാകം മുല്ലപ്പെരിയാർ ഡാം കെട്ടിയതിന് ശേഷം ഉണ്ടായതാണ്", "speaker": 0 } ]	female_mlf_01130_02075247445.wav
3.912	[ { "start": 0, "end": 3.912, "text": "ആറ്റിങ്ങൽ സ്വരൂപം തിരുവിതാംകൂറിന്റെ മാതൃഗൃഹമായി കണക്കാക്കപ്പെട്ടിരുന്നു", "speaker": 0 } ]	female_mlf_01130_02110434648.wav
2.349	[ { "start": 0, "end": 2.349, "text": "ഇവർ അനേകം വിശിഷ്ട ഗാനങ്ങൾ രചിച്ചിട്ടുണ്ട്", "speaker": 0 } ]	female_mlf_01130_02118448228.wav
4.382	[ { "start": 0, "end": 4.382, "text": "അവരുടെ സൗഹൃദം പ്ലേറ്റോണികമായിരുന്നുവെന്ന് വാദിക്കുന്ന ആധുനിക വ്യാഖ്യാതാക്കളുണ്ട്", "speaker": 0 } ]	female_mlf_01130_02119105584.wav
3.328	[ { "start": 0, "end": 3.328, "text": "൱ അടിയിൽ", "speaker": 0 } ]	female_mlf_01640_00015090452.wav
4.267	[ { "start": 0, "end": 4.267, "text": "ഡാറ്റ കണക്ഷൻ നഷ്ടമായി", "speaker": 0 } ]	female_mlf_01640_00124672388.wav
7.083	[ { "start": 0, "end": 7.083, "text": "നിങ്ങളുടെ ലക്ഷ്യസ്ഥാനം വലതുവശത്താണ്.", "speaker": 0 } ]	female_mlf_01640_00170003835.wav
4.096	[ { "start": 0, "end": 4.096, "text": "രണ്ട്‌ കിലോമീറ്ററിൽ", "speaker": 0 } ]	female_mlf_01640_00170219893.wav
3.157	[ { "start": 0, "end": 3.157, "text": "നേരേ ഇടത്", "speaker": 0 } ]	female_mlf_01640_00185267378.wav
4.352	[ { "start": 0, "end": 4.352, "text": "ഒരു യു-ടേണ്‍ എടുക്കുക", "speaker": 0 } ]	female_mlf_01640_00202553470.wav
3.584	[ { "start": 0, "end": 3.584, "text": "ഒന്നര മൈലിൽ", "speaker": 0 } ]	female_mlf_01640_00230848993.wav
4.864	[ { "start": 0, "end": 4.864, "text": "ഒരു മുക്കാൽ മൈലിൽ", "speaker": 0 } ]	female_mlf_01640_00244604085.wav
3.669	[ { "start": 0, "end": 3.669, "text": "അഞ്ഞൂര്‍ അടിയിൽ", "speaker": 0 } ]	female_mlf_01640_00246179564.wav

End of preview.

Malayalam Speech Dataset (VibeVoice)

This dataset contains Malayalam speech audio files and their corresponding transcriptions, prepared for fine-tuning ASR (Automatic Speech Recognition) models like VibeVoice.

Dataset Description

The dataset consists of approximately 4,126 Malayalam audio clips, split into training and testing sets with a 90/10 ratio, stratified by speaker gender.

Total Audio Files: 4,126
Train Split: 3,712 samples
Test Split: 414 samples
Total Duration: ~5-6 hours (estimated)
Format: 16kHz WAV
Annotation: JSON segments and split-specific metadata.jsonl entries.

Dataset Structure

The dataset is organized into train and test directories:

train/: Contains 3,712 audio-JSON pairs and metadata.jsonl.
test/: Contains 414 audio-JSON pairs and metadata.jsonl.

Each split contains:

[id].wav: The audio file.
[id].json: Segment information and transcription.
metadata.jsonl: Mapping of audio files to transcriptions.

VibeVoice JSON format

Each audio file is accompanied by a JSON file with the following structure:

{
  "audio_duration": 2.523,
  "audio_path": "female_mlf_01130_00015565294.wav",
  "segments": [
    {
      "start": 0.0,
      "end": 2.523,
      "text": "അങ്ങനെ രണ്ടാം ലോകമഹായുദ്ധം അവസാനിച്ചു",
      "speaker": 0
    }
  ]
}

metadata.jsonl format

{"file_name": "female_mlf_01130_00015565294.wav", "transcription": "അങ്ങനെ രണ്ടാം ലോകമഹായുദ്ധം അവസാനിച്ചു"}

How to use

from datasets import load_dataset

dataset = load_dataset("Arjunj/malayalam_speech", split="train")

# Access a sample
sample = dataset[0]
print(sample["audio"])
print(sample["transcription"])

Source

This dataset was processed and collected from various Malayalam TTS/ASR sources, including OpenSLR IDs 63 and 64, formatted specifically for VibeVoice fine-tuning requirements.

License

Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).

Downloads last month: 2,594

Total file size:

1.91 GB