Go back

Marathi (India) Call Center Speech Dataset for Travel

The audio dataset includes call center conversations in Travel, featuring native Marathi speakers from India, with detailed metadata and accurate transcriptions.

Total Volume

40 Speech Hours

Last updated

July 2023

Number of participants

Get this Speech Dataset

Machine learning speech data for Travel call center in Korean (South Korea)

Download

Request Custom Collection

About this Off-the-shelf Speech Dataset

What’s Included

Welcome to the Marathi Language Call Center Speech Dataset for the Travel domain. It is a specialized and comprehensive collection of voice data designed to enhance the development of call center speech recognition models specifically for the Travel industry.

With high-quality call center audio recordings, detailed metadata, and accurate transcriptions, it empowers researchers and developers to enhance natural language processing, conversational AI, and generative voice AI algorithms in the Travel domain. Moreover, it facilitates the creation of sophisticated voice assistants and voice bots tailored to the unique linguistic nuances found in the Marathi language spoken in India.

Speech Data:

This training dataset comprises 40 hours of call center audio recordings covering various topics and scenarios related to the Travel domain, to build robust and accurate customer service speech technology.

To curate realistic call center interactions, we collaborated with a diverse network of 80 expert native Marathi speakers from different part of Maharashtra. This collaborative effort ensures a balanced representation of Indian accents, dialects, and demographics, promoting inclusivity and reducing biases in the dataset.

Each audio recording captures the essence of unscripted and spontaneous conversations between call center agents and customers, with an average duration ranging from 5 to 15 minutes per call. The dataset includes both inbound and outbound calls, covering scenarios such as inquiries, promotional offers, complaints, technical support, and more. Additionally, the dataset contains call center conversations with both positive and negative outcomes, providing a diverse and realistic dataset.

The speech data is available in WAV format with stereo channels, a bit depth of 16 bits, and a sample rate of 8 kHz, ensuring high-quality audio for accurate analysis. The recording environment is generally quiet, without background noise and echo.

Metadata:

In addition to the audio recordings, our dataset provides comprehensive metadata for each participant. This includes the participant’s age, gender, country, state, and dialect. Additionally, it includes metadata like domain, topic, call type, outcome, bit depth, and sample rate for each conversation.

The metadata serves as a powerful tool for understanding and characterizing the data, enabling informed decision-making in the development of Marathi language call center speech recognition models for the Travel domain.

Transcription:

To facilitate your workflow, the dataset includes manual verbatim transcriptions of each call center audio file in JSON format. The transcriptions capture speaker-wise transcription with time-coded segmentation along with non-speech labels and tags, covering both the agent and customer conversations.

These ready-to-use transcriptions accelerate the development of Travel call center conversational AI and ASR models for the Marathi language.

Updates and Customization:

We understand the importance of collecting data in various environments to build robust ASR models. Therefore, our call center voice dataset is regularly updated with new audio data captured in diverse real-world conditions.

If you require a custom training dataset with specific environmental conditions, we can accommodate your request. We can provide voice data with customized sample rates ranging from 8kHz to 48kHz, allowing you to fine-tune your models for different audio recording setups. Additionally, we can also customize the transcription following your specific guidelines and requirements, to further support your ASR development process.

License:

This Travel call center audio dataset is created by FutureBeeAI and is available for commercial use!

Conclusion:

Whether you are training or fine-tuning speech recognition models, advancing NLP algorithms, or building state-of-the-art voice assistants to improve customer experiences in the Travel sector, our dataset serves as a trusted resource to meet your goals

Use Cases

Use of speech data for Automatic Speech Recognition

ASR

Conversational AI

Chatbot

Language Modelling

TTS

Speech Analytics

Dataset Sample(s)

ATTRIBUTES

Channel 1	Channel 2	Format
Male(21)	Female(56)	wav, json

TRANSCRIPTION

LABEL	START	END	CHANNEL	TRANSCRIPT
Speech	0.025	0.900	Speaker 2	Hello
Speech	1.350	2.298	Speaker 2	<lang:Foreign>Good morning</lang:Foreign>
Speech	2.975	4.000	Speaker 1	<lang:Foreign>hello Good morning</lang:Foreign>
Speech	5.174	6.049	Speaker 1	तुम्ही कसे आहात?
Speech	7.099	10.000	Speaker 2	आम्ही छान आहोत. तुम्ही कसे आहेत?
Speech	11.500	12.475	Speaker 1	मी पण
Speech	12.649	17.975	Speaker 1	छान आहे. मी तुम्हाला <lang:Foreign>email</lang:Foreign> पाठवली होती मागे <lang:Foreign>tour</lang:Foreign>च्या <lang:Foreign>inquiry</lang:Foreign> बद्दल मिळाली का तुम्हाला?
Speech	14.750	15.474	Speaker 2	(())
Speech	19.399	24.050	Speaker 2	हो. त्याच्याच करता मी तुम्हाला <lang:Foreign>phone</lang:Foreign> केला की आमची <lang:Foreign>company</lang:Foreign>
Speech	24.399	29.574	Speaker 2	<lang:Foreign>tour organize</lang:Foreign> करते तर तुम्हाला तुमच्या <lang:Foreign>requirements</lang:Foreign> मी पाहिल्या.
Speech	29.850	33.923	Speaker 2	तर तुम्हाला साधारण एक दीड महिना किंवा दोन महिन्याची
Speech	34.500	36.250	Speaker 2	<lang:Foreign>tour organize</lang:Foreign> करायची आहे.
Speech	37.798	38.649	Speaker 2	बरोबर आहे?
Speech	39.774	44.923	Speaker 2	तर पहिले एक महिना तुम्ही भारतातच फिरण्याचा तुमचा <lang:Foreign>plan</lang:Foreign> आहे.
Speech	40.575	41.149	Speaker 1	हो.
Speech	41.524	42.074	Speaker 1	हो हो.
Speech	44.725	45.225	Speaker 1	[filler]
Speech	46.298	51.325	Speaker 2	[filler]तर त्याच्याबद्दल पण विचारायचं होतं आणि किती जणं आहात तुम्ही?
Speech	52.850	54.325	Speaker 2	म्हणजे तसं चालतंय का?
Speech	53.923	55.375	Speaker 1	हो. माझं ते भारतात
Speech	55.700	57.875	Speaker 1	आधी मला भारतात फिरायचं आहे आणि मग
Speech	57.673	58.250	Speaker 2	[filler]
Speech	58.208	60.808	Speaker 1	मला युरोपला जायचंय फिरायला.
Speech	61.000	66.849	Speaker 1	[filler] आम्ही चार जण आहोत. माझी आई आहे. माझे बाबा आहेत. माझी बहीण आणि मी स्वतः.
Speech	62.423	62.975	Speaker 2	बरं.
Speech	68.325	76.424	Speaker 2	बरं. तर त्यांचे तुमचे सगळ्यांचे मला [filler] <lang:Foreign>passport</lang:Foreign> युरोपकरता <lang:Foreign>passport</lang:Foreign> <lang:Foreign>detail</lang:Foreign> वगैरे लागतील. आता तर लागणार नाही.
Speech	76.724	82.825	Speaker 2	आणि पैसे तुम्ही भरताना <lang:Foreign>cash</lang:Foreign> भरणार आहे की <lang:Foreign>credit card</lang:Foreign> किंवा <lang:Foreign>G-pay</lang:Foreign> कसं करणार आहे तुम्ही?
Speech	83.174	83.799	Speaker 2	त्या
Speech	85.974	86.625	Speaker 1	[filler]
Speech	86.950	88.075	Speaker 1	पैसे भरताना
Speech	88.375	92.625	Speaker 1	<lang:Foreign>cash</lang:Foreign>चं येईन भरायला तुमच्या <lang:Foreign>office</lang:Foreign> मध्ये [filler] कारण की (()) व्हायचा आहे म्हणून.
Speech	90.724	91.650	Speaker 2	बरं.
Speech	93.900	98.000	Speaker 2	बरं. जवळ आहे का तुम्हाला आमचं <lang:Foreign>office</lang:Foreign> आणि तुमचं घर?
Speech	99.682	100.757	Speaker 1	हो माझं <lang:Foreign>office</lang:Foreign>
Speech	100.875	105.275	Speaker 1	आणि तुमचं <lang:Foreign>office</lang:Foreign> जवळ आहे तर मला तुमच्याकडे (()) सरळ <lang:Foreign>office</lang:Foreign> नंतर
Speech	105.674	108.875	Speaker 1	तुम्ही फक्त मला <lang:Foreign>detail</lang:Foreign> सांगून द्या. त्याप्रमाणे मी पैसे भरीन.
Speech	106.200	106.974	Speaker 2	बरं.
Speech	110.099	110.875	Speaker 2	चालेल.
Speech	111.224	117.700	Speaker 2	तर भारतातले तुम्ही मला चार जागा सांगितल्या. एक कुलू मनाली सांगितलं. शिमला सांगितलं
Speech	118.400	121.700	Speaker 2	आणि काश्मीर आणि <lang:Foreign>statue of unity</lang:Foreign>चं
Speech	122.025	122.875	Speaker 2	बरोबर आहे?
Speech	125.575	126.250	Speaker 1	हो.
Speech	126.250	131.275	Speaker 2	<lang:Foreign>okay</lang:Foreign> आणि तुम्ही सगळ्या ठिकाणी <lang:Foreign>flights</lang:Foreign>नी जाणार आहे कसं आहे तुमचा <lang:Foreign>plan</lang:Foreign> तो?
Speech	133.175	138.973	Speaker 1	हो. जे सर्व जवळपास जे <lang:Foreign>airport</lang:Foreign> आहेत तिकडनं <lang:Foreign>flight</lang:Foreign> घेऊ आम्ही. <lang:Foreign>flight</lang:Foreign> बघू तिकडनं पुढे गाडी घेऊन जाता येईल मग आम्हाला.
Speech	139.500	143.250	Speaker 2	मग <lang:Foreign>car</lang:Foreign> तुम्ही <lang:Foreign>car</lang:Foreign> म्हणजे <lang:Foreign>rent</lang:Foreign> वर राहील
Speech	143.550	149.598	Speaker 2	किंवा आम्ही <lang:Foreign>arrange</lang:Foreign> करून देऊ तुम्हाला <lang:Foreign>flight</lang:Foreign>च्या तिकडनं म्हणजे <lang:Foreign>airport</lang:Foreign> वरनं <lang:Foreign>car</lang:Foreign> तुम्हाला <lang:Foreign>arrange</lang:Foreign> केली जाईल.
Speech	150.949	156.074	Speaker 2	तिकडनं तुम्ही <lang:Foreign>car</lang:Foreign>नी फिरू शकता. चौघचं जण आहे तर जास्त मोठी गाडी पण तुम्हाला लागणार नाही.
Speech	157.973	165.150	Speaker 2	<lang:Foreign>Innova</lang:Foreign> बरोबर राहील कारण सामान पण तुमचं मावून जाईल आणि तुम्हालाही आरामात बसता येईल चौघांनाही.
Speech	158.848	160.199	Speaker 1	हो. आम्हाला
Speech	167.624	172.800	Speaker 1	हो हो. तसंच करा तुम्ही <lang:Foreign>Innova</lang:Foreign> ठेवा किंवा <lang:Foreign>Fortuner</lang:Foreign> दिली तरी चालण्यासारखं आहे.
Speech	173.275	174.723	Speaker 2	हा मग <lang:Foreign>Fortuner</lang:Foreign>
Speech	173.275	176.550	Speaker 1	जेवढी मोठी आराम आराम देतील तेवढं चांगलं आहे आम्हाला.
Speech	177.324	180.848	Speaker 2	मग <lang:Foreign>Fortuner</lang:Foreign> चांगली राहिलं तर तीच बघूया आपण.

TRANSCRIPTION

TIME	TRANSCRIPT
0.025 0.900	Hello
1.350 2.298	<lang:Foreign>Good morning</lang:Foreign>
2.975 4.000	<lang:Foreign>hello Good morning</lang:Foreign>
5.174 6.049	तुम्ही कसे आहात?
7.099 10.000	आम्ही छान आहोत. तुम्ही कसे आहेत?
11.500 12.475	मी पण
12.649 17.975	छान आहे. मी तुम्हाला <lang:Foreign>email</lang:Foreign> पाठवली होती मागे <lang:Foreign>tour</lang:Foreign>च्या <lang:Foreign>inquiry</lang:Foreign> बद्दल मिळाली का तुम्हाला?
14.750 15.474	(())
19.399 24.050	हो. त्याच्याच करता मी तुम्हाला <lang:Foreign>phone</lang:Foreign> केला की आमची <lang:Foreign>company</lang:Foreign>
24.399 29.574	<lang:Foreign>tour organize</lang:Foreign> करते तर तुम्हाला तुमच्या <lang:Foreign>requirements</lang:Foreign> मी पाहिल्या.
29.850 33.923	तर तुम्हाला साधारण एक दीड महिना किंवा दोन महिन्याची
34.500 36.250	<lang:Foreign>tour organize</lang:Foreign> करायची आहे.
37.798 38.649	बरोबर आहे?
39.774 44.923	तर पहिले एक महिना तुम्ही भारतातच फिरण्याचा तुमचा <lang:Foreign>plan</lang:Foreign> आहे.
40.575 41.149	हो.
41.524 42.074	हो हो.
44.725 45.225	[filler]
46.298 51.325	[filler]तर त्याच्याबद्दल पण विचारायचं होतं आणि किती जणं आहात तुम्ही?
52.850 54.325	म्हणजे तसं चालतंय का?
53.923 55.375	हो. माझं ते भारतात
55.700 57.875	आधी मला भारतात फिरायचं आहे आणि मग
57.673 58.250	[filler]
58.208 60.808	मला युरोपला जायचंय फिरायला.
61.000 66.849	[filler] आम्ही चार जण आहोत. माझी आई आहे. माझे बाबा आहेत. माझी बहीण आणि मी स्वतः.
62.423 62.975	बरं.
68.325 76.424	बरं. तर त्यांचे तुमचे सगळ्यांचे मला [filler] <lang:Foreign>passport</lang:Foreign> युरोपकरता <lang:Foreign>passport</lang:Foreign> <lang:Foreign>detail</lang:Foreign> वगैरे लागतील. आता तर लागणार नाही.
76.724 82.825	आणि पैसे तुम्ही भरताना <lang:Foreign>cash</lang:Foreign> भरणार आहे की <lang:Foreign>credit card</lang:Foreign> किंवा <lang:Foreign>G-pay</lang:Foreign> कसं करणार आहे तुम्ही?
83.174 83.799	त्या
85.974 86.625	[filler]
86.950 88.075	पैसे भरताना
88.375 92.625	<lang:Foreign>cash</lang:Foreign>चं येईन भरायला तुमच्या <lang:Foreign>office</lang:Foreign> मध्ये [filler] कारण की (()) व्हायचा आहे म्हणून.
90.724 91.650	बरं.
93.900 98.000	बरं. जवळ आहे का तुम्हाला आमचं <lang:Foreign>office</lang:Foreign> आणि तुमचं घर?
99.682 100.757	हो माझं <lang:Foreign>office</lang:Foreign>
100.875 105.275	आणि तुमचं <lang:Foreign>office</lang:Foreign> जवळ आहे तर मला तुमच्याकडे (()) सरळ <lang:Foreign>office</lang:Foreign> नंतर
105.674 108.875	तुम्ही फक्त मला <lang:Foreign>detail</lang:Foreign> सांगून द्या. त्याप्रमाणे मी पैसे भरीन.
106.200 106.974	बरं.
110.099 110.875	चालेल.
111.224 117.700	तर भारतातले तुम्ही मला चार जागा सांगितल्या. एक कुलू मनाली सांगितलं. शिमला सांगितलं
118.400 121.700	आणि काश्मीर आणि <lang:Foreign>statue of unity</lang:Foreign>चं
122.025 122.875	बरोबर आहे?
125.575 126.250	हो.
126.250 131.275	<lang:Foreign>okay</lang:Foreign> आणि तुम्ही सगळ्या ठिकाणी <lang:Foreign>flights</lang:Foreign>नी जाणार आहे कसं आहे तुमचा <lang:Foreign>plan</lang:Foreign> तो?
133.175 138.973	हो. जे सर्व जवळपास जे <lang:Foreign>airport</lang:Foreign> आहेत तिकडनं <lang:Foreign>flight</lang:Foreign> घेऊ आम्ही. <lang:Foreign>flight</lang:Foreign> बघू तिकडनं पुढे गाडी घेऊन जाता येईल मग आम्हाला.
139.500 143.250	मग <lang:Foreign>car</lang:Foreign> तुम्ही <lang:Foreign>car</lang:Foreign> म्हणजे <lang:Foreign>rent</lang:Foreign> वर राहील
143.550 149.598	किंवा आम्ही <lang:Foreign>arrange</lang:Foreign> करून देऊ तुम्हाला <lang:Foreign>flight</lang:Foreign>च्या तिकडनं म्हणजे <lang:Foreign>airport</lang:Foreign> वरनं <lang:Foreign>car</lang:Foreign> तुम्हाला <lang:Foreign>arrange</lang:Foreign> केली जाईल.
150.949 156.074	तिकडनं तुम्ही <lang:Foreign>car</lang:Foreign>नी फिरू शकता. चौघचं जण आहे तर जास्त मोठी गाडी पण तुम्हाला लागणार नाही.
157.973 165.150	<lang:Foreign>Innova</lang:Foreign> बरोबर राहील कारण सामान पण तुमचं मावून जाईल आणि तुम्हालाही आरामात बसता येईल चौघांनाही.
158.848 160.199	हो. आम्हाला
167.624 172.800	हो हो. तसंच करा तुम्ही <lang:Foreign>Innova</lang:Foreign> ठेवा किंवा <lang:Foreign>Fortuner</lang:Foreign> दिली तरी चालण्यासारखं आहे.
173.275 174.723	हा मग <lang:Foreign>Fortuner</lang:Foreign>
173.275 176.550	जेवढी मोठी आराम आराम देतील तेवढं चांगलं आहे आम्हाला.
177.324 180.848	मग <lang:Foreign>Fortuner</lang:Foreign> चांगली राहिलं तर तीच बघूया आपण.