Datasets
Dataset
verbalyze-stt-bench
by ansh-rohilla
Verbalyze: Indic Speech & ITN Benchmark (12 Languages) Verbalyze is a scenario-weighted benchmark dataset designed to evaluate and train Speech-to-Text (ASR) and Inverse Text Normalization (ITN) models on real-world Indic speech phenomena. It covers 12 majo…
MITautomatic-speech-recognition 0 0100K < n < 1M rows
published 13 Sept 2026
Preview
First 5 rows of default / train, from the Hugging Face dataset viewer.
| id | language | language_name | scenario | transcript | normalized_transcript | native_text | romanized_text | code_mixed_text | duration_seconds |
|---|---|---|---|---|---|---|---|---|---|
| as_07894 | as | Assamese | english_word_retention | এই document-ৰ সবিশেষ গোপনীয় ৰাখক, কুণাল। | এই document-ৰ সবিশেষ গোপনীয় ৰাখক, কুণাল। | এই document-ৰ সবিশেষ গোপনীয় ৰাখক, কুণাল। | ei document- sabishesha gopaneeya aakhaka, kunaala | এই document-ৰ সবিশেষ গোপনীয় ৰাখক, কুণাল। | 0 |
| as_04292 | as | Assamese | normal_native_speech | ৰেলখন 6 নম্বৰ প্লেটফৰ্মৰ পৰা বেংগালুৰু-লৈ এৰিব। | ৰেলখন 6 নম্বৰ প্লেটফৰ্মৰ পৰা বেংগালুৰু-লৈ এৰিব। | ৰেলখন 6 নম্বৰ প্লেটফৰ্মৰ পৰা বেংগালুৰু-লৈ এৰিব। | elakhana 6 namba pletaphama paaa bengaaluu-lai eiba | ৰেলখন 6 নম্বৰ প্লেটফৰ্মৰ পৰা বেংগালুৰু-লৈ এৰিব। | 0 |
| as_06102 | as | Assamese | code_mixed_speech | মই Facebook-ত এটা trending video চাব বিচাৰোঁ। | মই Facebook-ত এটা trending video চাব বিচাৰোঁ। | মই Facebook-ত এটা trending video চাব বিচাৰোঁ। | mai Facebook-ta etaa trending video chaaba bichaaon | মই Facebook-ত এটা trending video চাব বিচাৰোঁ। | 0 |
| as_01461 | as | Assamese | language_script_consistency | অমৃতসৰ-ৰ ট্ৰান্সক্ৰিপ্ট স্ক্ৰিপ্টটো শুদ্ধ হোৱাটো নিশ্চিত কৰক। | অমৃতসৰ-ৰ ট্ৰান্সক্ৰিপ্ট স্ক্ৰিপ্টটো শুদ্ধ হোৱাটো নিশ্চিত কৰক। | অমৃতসৰ-ৰ ট্ৰান্সক্ৰিপ্ট স্ক্ৰিপ্টটো শুদ্ধ হোৱাটো নিশ্চিত কৰক। | amritasa- taansakipta skiptato shuddha hoaato nishchita kaka | অমৃতসৰ-ৰ ট্ৰান্সক্ৰিপ্ট স্ক্ৰিপ্টটো শুদ্ধ হোৱাটো নিশ্চিত কৰক। | 0 |
| as_01380 | as | Assamese | english_word_retention | কালি Amazon-ৰ system database ক্ৰেচ হৈছিল। | কালি Amazon-ৰ system database ক্ৰেচ হৈছিল। | কালি Amazon-ৰ system database ক্ৰেচ হৈছিল। | kaali Amazon- system database kecha haichhila | কালি Amazon-ৰ system database ক্ৰেচ হৈছিল। | 0 |
Cite this
MITtextCite
Tags
task_categories:automatic-speech-recognitionlanguage:aslanguage:bnlanguage:enlanguage:gulanguage:hilanguage:knlanguage:mllanguage:mrlanguage:orlanguage:palanguage:talanguage:telicense:mitsize_categories:100K<n<1Mformat:jsonmodality:textlibrary:datasetslibrary:pandaslibrary:polarslibrary:mlcroissantregion:usspeechindicasr-benchmarkcode-switchinginverse-text-normalizationtelephony