Dataset

logatra-benchmark

Name: logatra-benchmark
Creator: CooledNik
License: CC-BY-4.0

by CooledNik

Logatra Benchmark An independent speech-to-text benchmark for Indian languages and Hinglish, built by Nemukai, the team behind Logatra. Seven commercial STT engines are scored on a public split and on a fresh held-out split of 2026 Creative Commons audio th…

CC-BY-4.0automatic-speech-recognition 0 11K < n < 10K rows

published 29 Oct 2026

Open on Hugging Face

Preview

First 5 rows of fleurs / train, from the Hugging Face dataset viewer.

id	audio_path	reference_text	language	code_mixed	num_speakers	source	license	split
fleurs_as_in_test_0000	../audio/fleurs/as_in/fleurs_as_in_test_0000.wav	প্ৰতিবেদনটোত ইৰাকৰ কাৰ্যপালিকাৰ বৰ্তমানৰ প্ৰতিটো নীতিৰ অতি বেছি সমালোচনা কৰা হৈছে আৰু ইয়াত ততালিকে নিৰ্দেশ সলনি কৰাৰ বাবে অনুৰোধ জনোৱা হৈছে	as	false	1	fleurs	CC-BY-4.0	public
fleurs_as_in_test_0001	../audio/fleurs/as_in/fleurs_as_in_test_0001.wav	"ইয়াত "ভিচি" ফ্ৰেন্সলোকে শাসন কৰিছিল। এওঁলোক ফ্ৰান্সৰ লোক আছিল যিয়ে জাৰ্মানসকলৰ লগত 1940 চনত শান্তি স্থাপন কৰিছিল আৰু আক্ৰমণকাৰীসকলৰ লগত যুদ্ধ কৰাৰ পৰিবৰ্তে একেলগে কাম কৰিছিল।""	as	false	1	fleurs	CC-BY-4.0	public
fleurs_as_in_test_0002	../audio/fleurs/as_in/fleurs_as_in_test_0002.wav	দুৰ্ঘটনাৰ পিছত গিবছনক হস্পিটেলত পঠিওৱা হ'ল কিন্তু কিছু সময় পিছতেই তেওঁৰ মৃত্যু হ'ল	as	false	1	fleurs	CC-BY-4.0	public
fleurs_as_in_test_0003	../audio/fleurs/as_in/fleurs_as_in_test_0003.wav	প্ৰবল বতাহ শিলাবৃষ্টি তুষাৰপাত আৰু বনজুই অতি প্ৰতিকূল বতৰৰ প্ৰভাৱ একেদৰে ঢেৰেকনি ঘূৰ্ণীবতাহ ডাঁৱৰ বিস্ফোৰণ আৰু ধুমুহাও	as	false	1	fleurs	CC-BY-4.0	public
fleurs_as_in_test_0004	../audio/fleurs/as_in/fleurs_as_in_test_0004.wav	জাহাজে এই সেৱাটো প্ৰায়ে ব্যৱহাৰ কৰে যেনে আমোদ বাহন বা অভিযানসমূহত য'ত মাত আৰু দূৰণিৰ অঞ্চলৰ বিৱৰণৰ প্ৰয়োজন	as	false	1	fleurs	CC-BY-4.0	public

Cite this

CC-BY-4.0audiotextCite

logatra-benchmark

Preview

Cite this

Tags