File size: 8,962 Bytes
b2cce1e 2bc3bee 4863f5b a86b5c8 b1c1a0e 2bc3bee 78deb26 3ac3ef0 f4563ec 3ac3ef0 f4563ec 3ac3ef0 f4563ec 2f200be a74bc30 b1c1a0e b2cce1e 2bc3bee b1c1a0e 4863f5b a86b5c8 78deb26 3ac3ef0 2f200be a74bc30 b1c1a0e b2cce1e 2bc3bee | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 | ---
language: mr
dataset_info:
- config_name: barakhadi
features:
- name: base
dtype: string
- name: vowel
dtype: string
- name: mark
dtype: string
- name: result
dtype: string
splits:
- name: train
num_bytes: 9300
num_examples: 300
download_size: 3524
dataset_size: 9300
- config_name: consonants
features:
- name: token_id
dtype: int64
- name: char
dtype: string
- name: ipa
dtype: string
- name: varg
dtype: string
- name: place
dtype: string
- name: manner
dtype: string
- name: voiced
dtype: bool
- name: aspirated
dtype: bool
- name: nasal
dtype: bool
- name: duration_ms
dtype: int64
splits:
- name: train
num_bytes: 2310
num_examples: 37
download_size: 4602
dataset_size: 2310
- config_name: default
features:
- name: token_id
dtype: int64
- name: char
dtype: string
- name: unicode
dtype: string
- name: ipa
dtype: string
- name: type
dtype: string
- name: duration_ms
dtype: int64
- name: f0_hz
dtype: int64
- name: f1_hz
dtype: int64
- name: f2_hz
dtype: int64
- name: f3_hz
dtype: int64
- name: example_word
dtype: string
- name: script
dtype: string
splits:
- name: vowels
num_examples: 13
- name: consonants
num_examples: 37
- name: barakhadi
num_examples: 300
- name: sandhi_rules
num_examples: 8
- name: pitch_rules
num_examples: 5
- name: token_map
num_examples: 50
- name: duration_rules
num_examples: 50
download_size: 0.05
dataset_size: 0.1
- config_name: duration_rules
features:
- name: token_id
dtype: int64
- name: char
dtype: string
- name: base_duration_ms
dtype: int64
- name: context
dtype: string
- name: duration_ms
dtype: int64
- name: multiplier
dtype: float64
- name: rule
dtype: string
splits:
- name: train
num_bytes: 1964
num_examples: 18
download_size: 3790
dataset_size: 1964
- config_name: pitch_rules
features:
- name: context
dtype: string
- name: pattern
dtype: string
- name: hz_start
dtype: int64
- name: hz_peak
dtype: int64
- name: hz_end
dtype: int64
- name: hz_boost
dtype: int64
- name: description
dtype: string
- name: example
dtype: string
splits:
- name: train
num_bytes: 1070
num_examples: 8
download_size: 4216
dataset_size: 1070
- config_name: pitch_rules_v2
features:
- name: context
dtype: string
- name: pattern
dtype: string
- name: hz_start
dtype: int64
- name: hz_peak
dtype: int64
- name: hz_end
dtype: int64
- name: hz_boost
dtype: int64
- name: description
dtype: string
- name: example
dtype: string
splits:
- name: train
num_bytes: 1070
num_examples: 8
download_size: 4216
dataset_size: 1070
- config_name: sandhi_rules
features:
- name: rule_id
dtype: string
- name: type
dtype: string
- name: pattern
dtype: string
- name: input
dtype: string
- name: output
dtype: string
splits:
- name: train
num_bytes: 835
num_examples: 8
download_size: 2834
dataset_size: 835
- config_name: vowels
features:
- name: token_id
dtype: int64
- name: char
dtype: string
- name: ipa
dtype: string
- name: type
dtype: string
- name: duration_ms
dtype: int64
- name: f0
dtype: int64
- name: f1
dtype: int64
- name: f2
dtype: int64
- name: f3
dtype: int64
splits:
- name: train
num_bytes: 922
num_examples: 13
download_size: 4037
dataset_size: 922
license: apache-2.0
tags:
- marathi
- phonology
- tts
- speech-synthesis
- vedic-neural-geometry
- devanagari
- phonetics
- formants
- acoustic
- linguistics
- indic-languages
- computational-phonology
size_categories:
- n<1K
configs:
- config_name: barakhadi
data_files:
- split: train
path: barakhadi/train-*
- config_name: consonants
data_files:
- split: train
path: consonants/train-*
- config_name: duration_rules
data_files:
- split: train
path: duration_rules/train-*
- config_name: pitch_rules
data_files:
- split: train
path: pitch_rules/train-*
- config_name: pitch_rules_v2
data_files:
- split: train
path: pitch_rules_v2/train-*
- config_name: sandhi_rules
data_files:
- split: train
path: sandhi_rules/train-*
- config_name: vowels
data_files:
- split: train
path: vowels/train-*
---
# मराठी व्याकरण आणि ध्वनी मॅट्रिक्स (Marathi Phonology Matrices)
## 🎯 उद्देश्य
हा डेटासेट **मराठी भाषेच्या गणितीय ध्वनी संश्लेषणासाठी** (Mathematical Speech Synthesis) तयार केला आहे. यामध्ये मराठी वर्णमालेचे संपूर्ण फोनोलॉजिकल विश्लेषण, अकौस्टिक प्रॉपर्टीज, आणि टोकनायझेशन मॅपिंग समाविष्ट आहे.
## 📊 संरचना (Structure)
| Split | विवरण | ओळी |
|-------|--------|------|
| `vowels` | स्वर + Formant Frequencies (F0-F3) | 13 |
| `consonants` | व्यंजने + Articulation Features | 37 |
| `barakhadi` | बाराखडी मॅट्रिक्स (C+V → CV) | 300 |
| `sandhi_rules` | संधि नियम (Vowel + Consonant) | 8 |
| `pitch_rules` | Pitch/Tone नियम | 5 |
| `token_map` | Token ID → Character Mapping | 50 |
| `duration_rules` | उच्चार काल (Acoustic Duration) | 50 |
## 🔬 वैज्ञानिक पाया
### Formant Frequencies
प्रत्येक स्वरासाठी F0 (मूल फ्रिक्वेन्सी), F1, F2, F3 (Formant) Hz मध्ये नोंदवले आहेत. हे ध्वनी संश्लेषण इंजिनमध्ये वापरता येतात.
### Articulation Features
प्रत्येक व्यंजनासाठी — **Place** (स्थान), **Manner** (प्रयत्न), **Voiced** (नाद), **Aspirated** (महाप्राण), **Nasal** (अनुनासिक) — हे गुणधर्म Binary/Category स्वरूपात आहेत.
### Token Scheme
| Range | वर्ग |
|-------|------|
| 0-12 | स्वर (Vowels) |
| 26-50 | पंचम वर्ग व्यंजने |
| 51-54 | अंतःस्थ (Approximants) |
| 55-58 | ऊष्म (Fricatives) |
| 59 | विशेष — ळ |
| 60-62 | संयुक्त (Compound) |
## 🚀 वापर (Usage)
```python
from datasets import load_dataset
# Load dataset
ds = load_dataset("kalpesh77/marathi-phonology-matrices")
# स्वर माहिती
vowel = ds["vowels"][0]
print(vowel["char"]) # "अ"
print(vowel["f1_hz"]) # 750
print(vowel["duration_ms"]) # 120
# व्यंजन माहिती
consonant = ds["consonants"][0]
print(consonant["char"]) # "क"
print(consonant["place"]) # "velar"
print(consonant["voiced"]) # False
# बाराखडी शोधा
barakhadi = ds["barakhadi"].filter(lambda x: x["base_consonant"] == "क")
for row in barakhadi:
print(f"{row['rule']}")
# संधि नियम
sandhi = ds["sandhi_rules"][0]
print(sandhi["example_output"]) # "देवेच्छा"
# Token ID → Character
import pandas as pd
token_df = pd.DataFrame(ds["token_map"])
print(token_df[token_df["token_id"] == 26])
```
## 🏗️ आराखडा (Pipeline)
```
टप्पा १: व्याकरण मॅट्रिक्स ✅ (हा डेटासेट)
टप्पा २: डिजिटल कोडमध्ये रूपांतर ✅ (Token Map)
टप्पा ३: उच्चार काल आणि ताण ✅ (Duration + Pitch)
टप्पा ४: गणितीय ध्वनी संश्लेषण इंजिन 🔄 (In Progress)
टप्पा ५: चाचणी आणि विस्तार 🔄 (In Progress)
```
## 🌐 विस्तार (Future Scope)
- **सामवेद** (SamaVeda) — वैदिक स्वर आणि नाद
- **संस्कृत** (Sanskrit) — शास्त्रीय उच्चार नियम
- **इतर भाषा** — या मूळ संरचनेचा पुनर्वापर
## 📜 लायसन्स
Apache-2.0 — मुक्त वापर, शेअर, आणि सुधारणा.
## 👤 तयार केलेले
**kalpesh77** — Vedic Neural Geometry Project
---
*"मराठी ते गणितीय ध्वनी संश्लेषण — संपूर्ण आराखडा"*
|