Крымскотатарский без данных: текстовые слои, турецкие подмены и псевдоразметка двумя моделями

В предыдущих статьях автор показал, как обучил распознавание крымскотатарской речи и синтезировал голос, прочитавший целый роман. Главный вопрос читателей — откуда взялись данные, если в открытом доступе пригодных датасетов не было. Теперь он подробно объясняет методику: текстовые слои, турецкие подмены и псевдоразметку с участием двух моделей.

Автор сознательно не раскрывает источники, архивы, издания и договорённости с людьми, которые передали материалы. Также скрыты названия моделей, пороги фильтров и внутренние скрипты. Но объёмы данных он приводит порядками величин, а все метрики и выводы взяты из отчётов экспериментов, а не по памяти. Отдельно описаны грабли, на которые он наступил в процессе.