PL-BERT Malgache (mimba/pl-bert)

Ce dataset contient des phrases en malgache hautement nettoyées et filtrées, spécialement formatées pour l'entraînement de modèles de traitement du langage naturel orientés Text-To-Speech (TTS), comme PL-BERT (vocal-cloning et alignement).

Les données proviennent de sources combinées après l'application de filtres de qualité stricts (longueur des phrases, dédoublonnage, exclusion des caractères parasites d'interfaces et des langues étrangères).

Structure du Dataset

Le dataset est structuré sous un split unique personnalisé afin de pouvoir accueillir d'autres langues ou configurations à l'avenir :

• Split : plt
• Format : Parquet
• Colonne : text (chaîne de caractères contenant la phrase en malgache)

Utilisation avec la bibliothèque datasets

Pour charger ce split spécifique dans vos scripts d'entraînement, utilisez simplement :

from datasets import load_dataset

dataset = load_dataset("mimba/pl-bert", split="plt")
print(dataset[0])