Datasets:
file_name stringlengths 23 26 | transcription stringlengths 4 137 |
|---|---|
train/wavs/D6x81u_1.wav | خليني ابدا الفيديو ده وانا بقول ان من ملاحظتي الشخصيه استنتجت ان الستات مابقاش |
train/wavs/6f5WmH_2.wav | ملاحظتي الشخصيه استنتجت ان الستات مبقاش عندها دم |
train/wavs/abSOwC_3.wav | قش عندها دم وان الستات بداوا يستغلوا الرجاله |
train/wavs/qqiArB_4.wav | وان الستات بداوا يستغلوا الرجاله وان الستات دول |
train/wavs/afzWCf_5.wav | الستات دول اصبحوا كائنات بتسبب عدم توازن على كوكب |
train/wavs/8qnYPT_6.wav | اصبحوا كائنات بتسبب عدم توازن على كوكب الارض |
train/wavs/1kAUiu_7.wav | طب الارض ولو عايزين دليل على ده انا هقولكوا على |
train/wavs/O0XPMv_8.wav | ولو عايزين دليل على ده انا هاقولكوا على تلات حالات لسه كانوا عندي خلال الشهرين |
train/wavs/LptDKh_9.wav | على تلات حالات لسه كانوا عندي خلال الشهرين اللي فاتوا |
train/wavs/ViqPhv_10.wav | سنين اللي فاتوا تعرضوا لابيوز وابتزاز من زوجاتهم بشكل لا |
train/wavs/ovMUcu_11.wav | تعرضوا لابيوز وابتزاز من زوجاتهم بشكل لا يرضى عنه دين ولا مجتمع ولا ايه |
train/wavs/Tvm1PP_12.wav | يعني لا يرضى عنه دين ولا مجتمع ولا اي حاجه في الدنيا |
train/wavs/MTabAl_15.wav | جميل اكيد اللي انا بقوله ده يصنع شئ من الكراهيه ويبوظ المجتمع |
train/wavs/XSZUCV_16.wav | يصنع شيء من الكراهيه ويبوظ المجتمع الفديو ده عنوانه هو احنا ليه بقنا مولعين في مصر |
train/wavs/pbengL_17.wav | الفيديو ده عنوانه هو احنا ليه بنولعين في بعض هو احنا ليه بنكره بعض هو ليه المجتمع |
train/wavs/jv6py2_18.wav | بعض هو احنا دي بنكره بعض هو ليه المجتمع بدا يبقى في حاله نفور شديده وحاله ترقب |
train/wavs/YxcuwL_19.wav | نعم بدا يبقى في حاله نفور شديده ترقب دايما للاسوا من الاخرين السبب |
train/wavs/sqduLw_20.wav | دايما الاسوا من الاخرين السبب اللي انا لسه عامله دلوقتي حالا واحده من هواياتي |
train/wavs/eGmB61_22.wav | دي العامه في الحياه هي متابعه السوشيال ميديا وتحليل سلوكيات الناس |
train/wavs/w1Ghbl_23.wav | السوشيال ميديا وتحليل سلوكيات الناس وتحليل سلوكيات صناع المحتوى |
train/wavs/EOz6cB_24.wav | ناس وتحليل سلوكيات صناع المحتوى والمتابعين عشان افهم لان ده شغلنا في |
train/wavs/yQWTe1_25.wav | والمتابعين عشان افهم ده شغلنا فاحنا لازم نفهم الناس عشان احنا نتكلم معاهم |
train/wavs/38N9Q8_26.wav | احنا لازم نفهم الناس عشان احنا نتكلم معاهم فلما جينا نبص كده لقيت ان الفتره اللي فاتت ديت |
train/wavs/0gRNYf_27.wav | فلما جينا نبص كده لقيت ان الفتره اللي فاتت ديت العقليه التعميميه او البتال عليها |
train/wavs/q8ruFl_28.wav | العقليه التعميميه او بتعل عليه الجنراليزيشن او بيتعل عليه كوجنتف ديسوشن او |
train/wavs/m5J4Hj_29.wav | الجنراليزيشن اول هو بيتقال عليكوشن او تشوه معرفي ان ناس كتيره اوي بيبنوا السير |
train/wavs/5vLiHK_30.wav | متشوه معرفي ان ناس كتيره اوي بيبنوا استنتاجات الاستنتاجات دي بناء على تضارب |
train/wavs/IAlDV8_31.wav | الاستنتاجات دي بناء على تجارب فرديه وبالتالي بيتم تعميم التجارب |
train/wavs/ix4KYl_32.wav | فرديه وبالتالي بيتم تعميم التجارب الفرديه ديت ويحصل شيء من العنف الجماعي او |
train/wavs/3xh3bq_33.wav | روب الفرديه ديت ويحصل شيء من العنف الجماعي او بيتقال عليها المنتالين |
train/wavs/Hu62kl_34.wav | او اللي بيتقال عليها المنت الفلتر او التفكير الانتقائي في احد الناس اللي انا فاهمه |
train/wavs/Ukpwez_35.wav | تفكير الانتقائي في احد الناس اللي انا بتابعهم مثلا هو شخصيا عنده مشكله مع |
train/wavs/ygqV8K_36.wav | بتابعهم مثلا هو شخصيا عنده مشكله مع الستات مثلا فيجي |
train/wavs/qYcUmw_37.wav | الستات مثلا فيجي كل ما يعني يكتب محتوى مثلا عليه الف |
train/wavs/emyVDI_38.wav | كل ما يعني يكتب محتوي مثلا عليه الف تعليق كل الستات في التعليق ده متفقين |
train/wavs/uzpFHJ_39.wav | تعليق كل الستات في التعليق ده متفقين مع الفكر المظبوط اللي هو بيقوله ده وتيجي |
train/wavs/XIVq4c_40.wav | الفكر المظبوط اللي هو بيقوله ده و تيجي اتنين مثلا من وسط الف واحد قالوا كلام |
train/wavs/hRrv5H_41.wav | اتنين مثلا من وسط الف واحد قالوا كلام فعلا ساذج يعني هو كلام سلبي ويخلي المره |
train/wavs/w4KaZU_42.wav | فعلا ساذج يعني هو كلام سلبي ويخلي المراه فعلا تفكر |
train/wavs/RWArH5_43.wav | فعلا تفكره يعني كانها ساذجه او مش متعلمه او مش حكيمه او اوي |
train/wavs/KVVVhS_44.wav | ساذجه او مش متعلمه او مش حكيمه او اوي يعني فيروح سايب كل دول ويروح عامل سكرين |
train/wavs/KhrfSi_45.wav | يعني فيروح سايب كل دول ويروح عامل سكرين للتعليق ده ويروح منزله ويبتدي يعلق |
train/wavs/vI24uH_47.wav | قدام الناس فيبتدي |
train/wavs/v3dQOs_49.wav | لان هو هيرد عليها و الستات اللي شايفين مش عارفين بقى ان السكرين شوت بتاع |
train/wavs/bLDhmR_51.wav | التعليق دي او التعليقين تلاته اللي حطوهم هي افينس |
train/wavs/owIjNF_52.wav | اتجاه فعلا موجود في المجتمع ونشوف ده انا في ناس |
train/wavs/Wcrt0k_53.wav | عشان بس يعني ده مش مكان تجريح ده مكان تعليم في مثلا ناس |
train/wavs/Ai0y7d_54.wav | مكان تجريح لمكان تعليم في مثلا ناس اعرفهم عندهم مشكله مع بتوع الدين مع |
train/wavs/2fh8rj_55.wav | ناس اعرفهم عندهم مشكله معه بتوع الدين مثلا فيجي حدث ما الحدث ده كل اهل الدين |
train/wavs/auQrLW_56.wav | فيجي حدث ما الحدث ده كل اهل الدين المنضبطين المحترمين والدعاه |
train/wavs/19JUNo_57.wav | المنضبطين المحترمين والدعاه كل الناس اتكلمت في كلامه |
train/wavs/78uhKC_58.wav | ناس اتكلمت في كلام يعني لا يشوبه شائبه يروح جاي الشخص ده واخد تعليق |
train/wavs/8grpek_59.wav | جاي الشخص ده واخد تعليق لاكونت كده مش باين اسمه من شكله مش عارفين |
train/wavs/jksCVU_60.wav | مش باين اسمه من شكله ومش عارف ويتكلم لغه عربيه |
train/wavs/wDMrgH_61.wav | ويتكلم لغه عربيه قال يعني ايه هو من باك جراوند وبيقول كلام فعلا متخلف |
train/wavs/DzWGV2_62.wav | وبيقول كلام فعلا متخلف عقليا ويروح الشخص ده منزله |
train/wavs/wbrBwu_64.wav | قال لك بص الاسلاميين |
train/wavs/xXYcNl_65.wav | الاسلاميين بص المتدينين انظر الي تخلف رجعيه الانسان المتدين والشيوخ والدعاء |
train/wavs/9JoMGy_66.wav | في رجعيه الانسان المتدين والشيوخ والدعاء ايه يا عم استنى |
train/wavs/i0P3Yq_67.wav | ايه يا عم استنى في ايه ما فيش لا شيوخ ولا طعام حد |
train/wavs/DpbiiO_68.wav | اما في ايه مفيش لا شيوخ ولا دعاه ما حدش الكلام ده غير التعليق اللي عندك ده |
train/wavs/NQVX64_69.wav | مش قال الكلام ده غير التعليق اللي عندك ده فاحنا واحنا بنحضر هذا الواقع |
train/wavs/hGUoyj_70.wav | فاحنا واحنا بنحضر الواقع بدا يحصل ايه يا جماعه بدا يحصل تكثير |
train/wavs/x7zRJD_71.wav | اوك بدا يحصل ايه يا جماعه بدا يحصل تكثيف فظيع للانتقائيه عشان كل واحد عايش |
train/wavs/Oq94ai_72.wav | فظيع للانتقائيه عشان كل واحد عايز يعمل قضيه من اللي هو عايزه فتلاقي |
train/wavs/Hbi6Bg_73.wav | عايز يعمل قضيه من اللي هو عايزه فتلاقي مثلا واحد طالع من الناس المشهورين يقول لك |
train/wavs/2IpMqL_75.wav | انا بنزل البص ده عشان كل الناس اللي حاربوني وكل الناس اللي بتهجم عليا وكل |
train/wavs/WAnJgE_76.wav | حاربوني وكل الناس اللي بتهجم عليا وكل الناس كل الناس دول هما تلاته اربعه |
train/wavs/LUU2vc_77.wav | كل الناس كل الناس دول هم تلاته اربعه مثلا بعتوله تعليقات سلبيه اللي هو |
train/wavs/X0B7wo_78.wav | بعتوله تعليقات سلبيه عايزين نخلق قضيه من لا قضيه وحرب |
train/wavs/gHPVmZ_79.wav | ليه ليه عايزين نخلق قضيه من لا قضيه وحرب من لا حرب عشان نبتدي يخدم الاجنده |
train/wavs/ivKwvc_80.wav | بملاحارب عشان نبتدي ده يخدم الاجنده بتاعتنا فلازم وانا بتابع يبقى عندي وضوح |
train/wavs/WnClfh_81.wav | بتاعتنا فلازم وانا بتابع يبقى عندي وضوح ان رقم واحد عشان بس ايه تبقى ماشي |
train/wavs/PxdBzi_82.wav | روح ان رقم واحد عشان بس ايه تبقى ماشي في العالم الافتراضي دوت |
train/wavs/CurHMI_83.wav | في العالم الافتراضي دوت وانت دماغك محدش بيشتغلك |
train/wavs/kdOvMt_84.wav | دماغك محدش بيشتغلك انت اللي فاهم الدنيا وقريها الواقع الافتراضي ده |
train/wavs/JJMxVQ_85.wav | فاهم الدنيا وقريها الواقع الافتراضي ده الاجنده بتاعته مش دايما الرسائل الساميه |
train/wavs/j3MmQC_86.wav | الاجنده بتاعته مش دايما الرسائل الساميه |
train/wavs/m221mc_87.wav | في ناس اجندتها تفاعل ورؤيه وانهم يبقوا تحت الاسبوع فدول ممكن يعمل اي حاجه |
train/wavs/R53uBc_88.wav | وتحت الاسبوت لايت ف دول ممكن يعمل اي حاجه من لا حاجه عشان بس يبقى هو محور الاهتمام |
train/wavs/zR94ZU_90.wav | في ناس عندهم الامهم الشخصيه و دول مش وحشين هو عنده الامه الشخصيه |
train/wavs/DHqHIQ_92.wav | هو خدت صدمه نفسيه مثلا من الستات خدت صدمه |
train/wavs/yY2XTi_93.wav | هو خدت صدمه نفسيه مثلا من الستات صدمه نفسيه من مجموعه من الناس اللي |
train/wavs/PLFDI8_94.wav | نفسيا من مجموعه من الناس اللي بيقولوا على نفسهم او ظاهرهم في شيء من التدين |
train/wavs/0xk4pS_95.wav | على نفسهم او ظاهرهم في شيء من التدين عشان ما بيحبش صراحه كلمه ملتزمين |
train/wavs/KyiZMU_96.wav | عشان ما بيحبش صراحه كلمة اصل ملتزمين واصل متدينين الكلمة دي عايزه الغيام |
train/wavs/T0qMsc_97.wav | متدين الكلمه دي عايزه الغي من قاموس المجتمع بتاعنا فالناس اللي ظاهر |
train/wavs/Pvg2MT_98.wav | قاموس المجتمع بتاعنا فالناس اللي ظاهر عليها بعض الصفات الظاهره من العبادات |
train/wavs/oEWZu9_99.wav | عليها بعض الصفات الظاهره من العبادات اذو وبالتالي بقى بالنسبه له اي شخص |
train/wavs/5ins8p_101.wav | او اي دعاء اوي هو ردود افعاله وصدمته النفسيه بيحاول يشوف الواقع |
train/wavs/kQemwm_102.wav | افعاله وصدمته النفسيه بيحاول يشوف الواقع من خلالها احنا كمتابعين بقى ومستخدمين |
train/wavs/TAiHhd_103.wav | احنا كمتابعين بقى ومستخدمين لازم يكون عندنا وسع اكتر من كده |
train/wavs/pjZH0D_104.wav | مين لازم يكون عندنا وسع اكتر من كده عندنا وعي ان كام واحد يجي |
train/wavs/v1DU9S_105.wav | لينا وعي ان كام واحد دايما ظاهره اسال عن الاحصائيه |
train/wavs/rf3MYh_106.wav | لاي ظاهره اسال على الاحصائيه اسال على الاحصائيه انا ما اقدرش |
train/wavs/VLSWVT_107.wav | اسال الاحصائيه انا ما اقدرش النهارده اقول ان الستات كذا عشان في خلال شخص |
train/wavs/2pl9dN_108.wav | اقول ان الستات كذا عشان في خلال شهر فعلا فعلا جالي تلات سنين |
train/wavs/nfpNLb_109.wav | شهر فعلا انا فعلا خلال شهر جالي تلات فعلا فيهم ستات ربنا يهديهم مصلحه |
train/wavs/DhgOuv_110.wav | حالات فعلا فيهم ستات ربنا يهديهم ويصلح حالهم عملوا سلوكيات وحشه جدا وحشه جدا |
train/wavs/Gr1g7V_111.wav | عملوا سلوكيات وحشه جدا وحشه جدا باعتراف يعني الموضوع ما فيهوش |
EGYSpeak
A curated dataset of 147,979 single-speaker Egyptian Arabic (pure dialect) audio clips with transcriptions, sourced from the fadisarwat/egyptian-arabic-lines Kaggle dataset and processed through a rigorous ASR pipeline.
Quick Start
1. Download the dataset:
from huggingface_hub import snapshot_download
snapshot_download(
repo_id="MohamedGomaa30/EGYSpeak",
repo_type="dataset",
local_dir="EGYSpeak",
)
2. Extract the dataset:
from EGYSpeak.egyspeak_loader import load_egyspeak
ds = load_egyspeak("EGYSpeak", streaming=True)
Dataset Details
- Total samples: 147,979
- Audio format: WAV (PCM_16, 16 kHz, mono)
- Transcription language: Egyptian Arabic
- Metadata delimiter: Pipe (
|) - License: CC-BY-4.0
Dataset Structure
EGYSpeak/
├── README.md
├── metadata.csv # file_name|transcription (pipe-delimited, full dataset)
├── metadata.jsonl # HF AudioFolder auto-loading format
└── train/
├── metadata.jsonl # HF AudioFolder auto-loading format
└── audio_shard_XXXX.tar # 23 tar shards (~1GB each, 147,979 WAV files total)
Audio files are packed into 23 tar shards (~1GB each) to stay within HuggingFace Hub rate limits. Each shard contains WAV files under a wavs/ subdirectory. Use the provided egyspeak_loader.py to stream audio directly from the tars without extracting (saves ~22GB disk space).
metadata.csv Format
| Column | Description | Example |
|---|---|---|
file_name |
Path to WAV file | train/wavs/D6x81u_1.wav |
transcription |
Arabic transcription (Egyptian dialect) | خليني ابدا الفيديو ده |
Delimiter: pipe (|)
metadata.jsonl Format
Each line is a JSON object with file_name and transcription fields, compatible with HuggingFace AudioFolder auto-loading.
Data Preprocessing Pipeline
The raw Kaggle dataset (455,794 index entries, 408,059 MP3 files) was processed through the following pipeline:
Step 1: Duration Filter
- Reject audio shorter than 0.8s or longer than 30s
Step 2: Audio Processing
- Resample to 16 kHz mono
- Loudness normalization to -16 LUFS (using pyloudnorm)
- Save as PCM_16 WAV
- Create padded version (0.5s silence on each side for ASR)
- Reject completely silent files
Step 3: Speaker Diarization
- Model: pyannote/speaker-diarization-3.1
- Accept only single-speaker audio; reject multi-speaker clips
Step 4: ASR Transcription
- Model: NAMAA-Space/EgypTalk-ASR-v2 (FastConformer Hybrid Large, fine-tuned on 200+ hours of Egyptian Arabic)
- Decoder: Beam search (beam_size=5)
- Batch processing: 64 files per batch
Step 5: Quality Filters
Five sequential quality filters are applied to transcriptions:
| # | Filter | Criterion |
|---|---|---|
| 1 | Empty transcription | Transcription is empty |
| 2 | Unknown symbols | Contains special unknown characters or ?? |
| 3 | One-word only | Transcription has 1 word or less |
| 4 | Short transcription | ASR word count less than original Kaggle text count |
| 5 | Non-Egyptian dialect | Contains MSA-exclusive words (MSA + mixed dialect removed) |
Configuration
| Parameter | Value |
|---|---|
| Min duration | 0.8 s |
| Max duration | 30 s |
| Sample rate | 16,000 Hz |
| Target loudness | -16 LUFS |
| Silence padding | 0.5 s (each side, transcription only) |
| Transcription batch | 64 |
| Beam search size | 5 |
| ASR model | EgypTalk-ASR-v2 |
| Diarization model | pyannote/speaker-diarization-3.1 |
| Audio format | WAV, PCM_16, 16kHz, mono |
Limitations
- Transcriptions are machine-generated (ASR) and may contain errors
- The original Kaggle text field was used as a reference only, not as ground truth
- Numbers appear as Arabic words, not numeric digits
- Some audio clips may contain overlapping speech fragments at boundaries
Source
Kaggle: fadisarwat/egyptian-arabic-lines
License
This dataset is released under the Creative Commons Attribution 4.0 license.
- Downloads last month
- 64