evaluation.yaml

# Evaluation dataset parameters
dataset: "alexandrainst/coral::read_aloud"
eval_split_name: test
text_column: text
audio_column: audio
cache_dir: ".coral-cache"

# Filtering of the dataset
min_seconds_per_example: 0.5
max_seconds_per_example: 10

# Processing of the dataset
clean_text: true
lower_case: true
characters_to_keep: 'abcdefghijklmnopqrstuvwxyzæøå0123456789éü'

# Evaluation parameters
model_id: null
no_lm: false  # This is only relevant for Wav2Vec 2.0 models
sampling_rate: 16_000
metrics:
  - cer
  - wer
batch_size: 16
bootstrap_samples: 1000
store_results: true
detailed: true  # Only relevant if the evaluation dataset is CoRal

sub_dialect_to_dialect:
  midtøstjysk: Østjysk
  østjysk: Østjysk
  amagermål: Københavnsk
  nørrejysk: Nordjysk
  vestjysk: Vestjysk
  nordsjællandsk: Sjællandsk
  sjællandsk: Sjællandsk
  fynsk: Fynsk
  bornholmsk: Bornholmsk
  sønderjysk: Sønderjysk
  vendsysselsk (m. hanherred og læsø): Nordjysk
  østligt sønderjysk (m. als): Sønderjysk
  nordvestsjællandsk: Sjællandsk
  thybomål: Vestjysk
  himmerlandsk: Nordjysk
  djurslandsk (nord-, syddjurs m. nord- og sydsamsø, anholt): Østjysk
  sydsjællandsk (sydligt sydsjællandsk): Sjællandsk
  sydfynsk: Fynsk
  morsingmål: Vestjysk
  sydøstjysk: Østjysk
  østsjællandsk: Sjællandsk
  "syd for rigsgrænsen: mellemslesvisk, angelmål, fjoldemål": Sønderjysk
  vestfynsk (nordvest-, sydvestfynsk): Fynsk
  vestlig sønderjysk (m. mandø og rømø): Sønderjysk
  sydvestjysk (m. fanø): Vestjysk
  sallingmål: Vestjysk
  nordfalstersk: Sydømål
  langelandsk: Fynsk
  sydvestsjællandsk: Sjællandsk
  lollandsk: Sydømål
  sydømål: Sydømål
  ommersysselsk: Østjysk
  sydfalstersk: Sydømål
  fjandbomål: Vestjysk