Add dataset card (EN/RU)

README.md

@@ -0,0 +1,184 @@
+---
+language:
+- ru
+license: cc-by-4.0
+task_categories:
+- text-to-speech
+pretty_name: RUSLAN with Word Stress Marks
+size_categories:
+- 10K<n<100K
+tags:
+- tts
+- speech-synthesis
+- russian
+- stress-marks
+- accent
+- ruslan
+source_datasets:
+- ruslan
+---
+
+# RUSLAN with Word Stress Marks · RUSLAN с проставленными ударениями
+
+> **English / Русский**
+
+---
+
+## English
+
+### What is this?
+
+A drop-in replacement for the metadata of the **RUSLAN** Russian single-speaker
+TTS corpus, with **word-stress marks added to every multi-syllabic Russian
+word** in the transcripts. Audio is bundled unchanged.
+
+The motivation is to train Russian TTS models (e.g. Kokoro, Tacotron, VITS,
+StyleTTS, XTTS) that pronounce words with **correct lexical stress**.
+Vanilla Russian text does not encode stress, and stress placement is one of the
+hardest things for a TTS model to learn from raw orthography alone — especially
+for **homographs** (`за́мок` "castle" vs `замо́к` "lock", `му́ка` "torment" vs
+`мука́` "flour", etc.). Training on stress-annotated text removes that
+ambiguity and dramatically improves prosody.
+
+### Source
+
+- **Audio + original transcripts:** the [RUSLAN corpus](https://ruslan-corpus.github.io/)
+  by Lenar Gabdrakhmanov, Rustem Garaev and Evgenii Razinkov (Interspeech 2019),
+  released under **CC BY 4.0**.
+- **Stress annotation:** added by Anthropic Claude Opus via the Claude Code CLI,
+  followed by automatic validation (vowel-position check, text-integrity check)
+  and small targeted fixes for proper-name typos.
+
+### Contents
+
+```
+metadata.csv      # 22,200 lines, pipe-delimited: filename|text_with_stress
+wavs/             # 22,200 mono 22 kHz WAV files (≈31 hours total)
+  000000_RUSLAN.wav
+  000001_RUSLAN.wav
+  …
+```
+
+### Stress format
+
+- The stress mark is **U+0301 COMBINING ACUTE ACCENT**, placed *immediately
+  after* the stressed vowel (so a single grapheme cluster `а́`, `е́`, `о́`, etc.).
+- **Every** multi-syllabic word is stressed. Single-syllable words (including
+  pronouns/prepositions like `я́`, `мне́`, `что́`, `на́`) are also marked.
+- The letter **`ё`** is implicitly stressed and is **not** combined with U+0301
+  (we keep `ё`, never `ё́`).
+- Numbers, abbreviations and Latin-script tokens are left without stress.
+- Homographs are disambiguated from sentence context by the model.
+
+### Loading example
+
+```python
+from datasets import load_dataset
+ds = load_dataset("stilletto/ruslan-stressed", split="train")
+print(ds[0])
+# {'filename': '000000_RUSLAN', 'text': 'С тре́вожным чу́вством беру́сь я́ за́ перо́.', 'audio': {...}}
+```
+
+Or directly from CSV:
+
+```python
+import csv
+with open("metadata.csv", encoding="utf-8") as f:
+    for line in f:
+        fn, text = line.rstrip("\n").split("|", 1)
+        # fn → wavs/{fn}.wav
+```
+
+### License
+
+**CC BY 4.0**, inherited from the original RUSLAN corpus.
+
+When using this dataset please cite the original RUSLAN paper:
+
+```
+@inproceedings{gabdrakhmanov2019ruslan,
+  title={RUSLAN: Russian Spoken Language Corpus for Speech Synthesis},
+  author={Gabdrakhmanov, Lenar and Garaev, Rustem and Razinkov, Evgenii},
+  booktitle={Interspeech 2019},
+  year={2019}
+}
+```
+
+### Known limitations
+
+- Stress was placed by an LLM. While ≥99.9 % of lines pass automated validation
+  (correct vowel position, text integrity), occasional homograph errors are
+  possible and should be expected at training scale.
+- Audio is unchanged from the original RUSLAN release; no extra cleanup or
+  re-segmentation has been done.
+
+---
+
+## Русский
+
+### Что это?
+
+Это датасет на базе русского однодикторного TTS-корпуса **RUSLAN**, в котором
+к транскрипциям **добавлены ударения для всех многосложных русских слов**.
+Аудио прикладывается без изменений.
+
+Цель — обучение русских TTS-моделей (Kokoro, Tacotron, VITS, StyleTTS, XTTS
+и т. п.), которые произносят слова с **правильным ударением**. В обычном
+русском тексте ударение никак не кодируется, и для модели это одна из самых
+сложных вещей, особенно для **омографов** (`за́мок` vs `замо́к`, `му́ка` vs
+`мука́` и т. д.). Обучение на размеченном тексте снимает эту неоднозначность
+и заметно улучшает просодию.
+
+### Источник данных
+
+- **Аудио и оригинальные транскрипции** — [корпус RUSLAN](https://ruslan-corpus.github.io/)
+  (Ленар Габдрахманов, Рустем Гараев, Евгений Разинков, Interspeech 2019),
+  лиценз��я **CC BY 4.0**.
+- **Разметка ударений** — выполнена моделью Anthropic Claude Opus через
+  Claude Code CLI с последующей автоматической валидацией (проверка позиции
+  ударения относительно гласной, проверка целостности текста) и точечной
+  правкой опечаток в именах собственных.
+
+### Состав
+
+```
+metadata.csv      # 22 200 строк, формат filename|текст_с_ударениями (разделитель |)
+wavs/             # 22 200 моно WAV-файлов 22 кГц (≈31 час суммарно)
+  000000_RUSLAN.wav
+  000001_RUSLAN.wav
+  …
+```
+
+### Формат ударений
+
+- Ударение — символ **U+0301 COMBINING ACUTE ACCENT**, ставится *сразу
+  после* ударной гласной (один графемный кластер: `а́`, `е́`, `о́` и т. д.).
+- Ударение проставлено **во всех** многосложных словах. Односложные слова
+  (включая местоимения и предлоги: `я́`, `мне́`, `что́`, `на́`) тоже размечены.
+- Буква **`ё`** ударная по определению, U+0301 после неё **не** ставится
+  (пишем `ё`, не `ё́`).
+- Числа, аббревиатуры и латиница оставлены без ударений.
+- Омографы расставлены моделью по контексту предложения.
+
+### Лицензия
+
+**CC BY 4.0**, унаследована от оригинального RUSLAN.
+
+При использовании ссылайтесь на оригинальную статью:
+
+```
+@inproceedings{gabdrakhmanov2019ruslan,
+  title={RUSLAN: Russian Spoken Language Corpus for Speech Synthesis},
+  author={Gabdrakhmanov, Lenar and Garaev, Rustem and Razinkov, Evgenii},
+  booktitle={Interspeech 2019},
+  year={2019}
+}
+```
+
+### Известные ограничения
+
+- Ударения проставлены LLM. Несмотря на то что ≥99,9 % строк проходят
+  автоматическую валидацию (корректная позиция, целостность текста), при
+  обучении на полном объёме возможны единичные ошибки на омографах.
+- Аудио не подвергалось переразметке или дополнительной очистке относительно
+  исходного релиза RUSLAN.