Dataset Viewer
Auto-converted to Parquet Duplicate
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
End of preview. Expand in Data Studio

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

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