surindersinghssj/gurbani-kirtan-yt-captions-300h-clean

---
dataset_info:
features:
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: text
dtype: string
- name: raw_text
dtype: string
- name: clip_id
dtype: string
- name: start_s
dtype: float64
- name: end_s
dtype: float64
- name: duration_s
dtype: float64
- name: n_cues
dtype: int64
- name: clip_mode
dtype: string
- name: caption_offset_s
dtype: float64
- name: video_id
dtype: string
- name: caption_lang
dtype: string
- name: text_cleaned
dtype: string
- name: is_simran
dtype: bool
- name: drop_candidate
dtype: bool
- name: n_waheguru_normalized
dtype: int64
splits:
- name: train
num_bytes: 67633007972.0
num_examples: 228921
download_size: 65943504645
dataset_size: 67633007972.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 音频（audio）：数据类型为音频格式，采样率为16000赫兹
- 文本（text）：数据类型为字符串
- 原始文本（raw_text）：数据类型为字符串
- 片段ID（clip_id）：数据类型为字符串
- 起始时间（start_s，单位：秒）：数据类型为64位浮点数
- 结束时间（end_s，单位：秒）：数据类型为64位浮点数
- 持续时长（duration_s，单位：秒）：数据类型为64位浮点数
- 提示词数量（n_cues）：数据类型为64位整数
- 片段模式（clip_mode）：数据类型为字符串
- 字幕偏移时间（caption_offset_s，单位：秒）：数据类型为64位浮点数
- 视频ID（video_id）：数据类型为字符串
- 字幕语言（caption_lang）：数据类型为字符串
- 清洗后文本（text_cleaned）：数据类型为字符串
- 是否为Simran（is_simran）：数据类型为布尔值
- 是否丢弃候选样本（drop_candidate）：数据类型为布尔值
- 归一化Waheguru计数（n_waheguru_normalized）：数据类型为64位整数
数据划分：
- 训练集（train）：总字节数为67633007972.0，样本总数为228921
下载大小：65943504645字节
数据集总大小：67633007972.0字节
配置项：
- 默认配置（default）：
数据文件：训练集划分对应的数据文件路径为 data/train-*