NST norsk ATG-database (16 kHz) - reorganisert

Denne databasen er laget av Nordisk språkteknologi som datagrunnlag for talegjenkjenning og diktering på norsk. I denne versjonen (fra 2022) er dataene strukturert på nytt, slik at databasen enklere kommer til anvendelse.

Datasettet ble gjennomgått på nytt i desember 2023; duplikater ble fjernet, det ble ryddet i metadataene og filnavn ble standardisert. Se dokumentasjonsfilen for detaljer.

I den opprinnelige versjonen av materialet var filene organisert i en bestemt mappestruktur der mappenavnene var meningsbærende. Filnavnene var imidlertid ikke meningsbærende, og det fantes også tilfeller av filer med samme navn i forskjellige mapper. Dette viste seg å være upraktisk, siden brukerne måtte beholde den opprinnelige mappestrukturen for å kunne benytte seg av dataene.

Filene har fått nye navn, slik at alle filnavn er unike og meningsbærende uavhengig av mappestrukturen. De opprinnelige metadatafilene var i spl-format; disse er konvertert til JSON-format. Metadatafilene er anonymisert, og tekstkodingen er endret fra ANSI til UTF-8. Metadata og transkripsjoner foreligger også som CSV-filer.

Se dokumentasjonsfilen for en full beskrivelse av dataene og endringene som er gjort.