Simonlob/Kany_dataset_mk4_Base

该数据集包含约7000个样本，采样率为44100 Hz，格式为float32，总语音时长为13小时。数据集的特征包括句子编号、原始文本、清理后的文本、句子类型、说话者ID、性别和音频数据。音频数据以字典形式呈现，包含采样率和音频数组等元数据。说话者为Kanykey Bakashova。数据集分为训练集和测试集，训练集包含9349个样本，测试集包含20个样本。

原始信息汇总

数据集概述

数据集特征

• id: 整数类型，句子编号。
• raw_transcription: 字符串类型，句子的文本。
• transcription: 字符串类型，小写文本，已清除标点符号。
• sentence_type: 字符串类型，句子类别（陈述句、疑问句、感叹句）。
• speaker_id: 字符串类型，说话者ID，始终为"1"。
• gender: 整数类型，说话者的性别，始终为"1"。
• audio: 结构体类型，包含以下子特征：
  • array: 序列类型，浮点32位，音频数据。
  • path: 字符串类型，音频文件路径。
  • sampling_rate: 整数类型，采样率。

数据集分割

• train: 训练集，包含9349个样本，总大小为10662278090.528124字节。
• test: 测试集，包含20个样本，总大小为22809451.471875332字节。

数据集大小

• 下载大小: 4756967964字节
• 数据集总大小: 10685087542字节

配置文件

• config_name: default
• data_files:
  • split: train, path: data/train-*
  • split: test, path: data/test-*

许可

• 许可证: apache-2.0

语言

• 语言: ky (Kyrgyz)

搜集汇总

背景与挑战

背景概述

这是一个吉尔吉斯语语音文本数据集，包含约9,369条样本，总语音时长约13小时，音频采样率为44100 Hz，录音质量高。数据集提供了原始转录文本、清理后文本、句子类型（如陈述句、疑问句、感叹句）和音频数据等特征，专门用于语音处理任务，说话人为Kanykey Bakashova。