video-vec2wav2-tokenizer k9cli
video-vec2wav2-tokenizer Production-ready pipeline (Python package video_vec2wav2_tokenizer, CLI command video2dataset) that turns a folder of videos into clean AI training datasets for speech recognition (ASR) and text-to-speech (TTS). videos ──► audio (16 kHz mono PCM) ──► whisper transcript ──► clips ──► metadata.csv / dataset.jsonl / tts_metadata.csv / report.json Video processing — recursive scan of mp4 / mkv / avi / mov / webm, FFmpeg audio extraction to mono ·… See the full description on the dataset page: https://huggingface.co/datasets/k9cli/video-vec2wav2-tokenizer.
- 種別
- dataset
- ダウンロード
- 2,314,634
- いいね
- 16
- アクセス
- public
- ファイル
- 0
タグ
- 音声認識
- 音声合成
- データセット
- 音声処理
- 動画データベース
- 音声データセット
- 事前学習
- 機械学習
概要
動画フォルダからASR（音声認識）とTTS（音声合成）向けの整ったAI学習データセットを構築する生産向けパイプライン。FFmpegで音声抽出、faster-whisperで文字起こし、タイムスタンプによるクリップ分割、メタデータCSV/JSONL生成、特徴抽出、Wav2Vec2 CTC学習までを一貫して実行する。ストリーミング処理で1TB超の大規模メディアにも対応し、マルチGPU学習や再開機能も備える。
README
# video-vec2wav2-tokenizer 本番稼働対応のパイプライン（Python パッケージ `video_vec2wav2_tokenizer`、CLI コマンド `video2dataset`）で、動画フォルダを音声認識（ASR）および音声合成（TTS）のためのクリーンな **AI トレーニングデータセット** に変換します。 ``` videos ──► audio (16 kHz mono PCM) ──► whisper transcript ──► clips ──► metadata.csv / dataset.jsonl / tts_metadata.csv /…