---
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"*