ivangtorre/second_americas_nlp_2022

该数据集包含多种语言（qu, gn, bzd, gvc）的音频和文本数据，主要用于自动语音识别和翻译任务。数据集分为多个配置（如bribri, guarani, kotiria, quechua, waikhana），每个配置包含音频、子集、处理后的源文本、原始源文本、原始目标文本和分割信息。数据集分为训练集和开发集，每个集的大小和样本数量也有所不同。

原始信息汇总

数据集概述

语言支持

• qu
• gn
• bzd
• gvc

许可信息

• 许可：未知

任务类别

• 自动语音识别
• 翻译

数据集配置

bribri

• 特征:
  • audio: 音频
  • subset: 字符串
  • source_processed: 字符串
  • source_raw: 字符串
  • target_raw: 字符串
  • split: 字符串
• 分割:
  • train: 495个样本，55969483字节
  • dev: 250个样本，22453830字节
• 下载大小: 78332438字节
• 数据集大小: 78423313字节

guarani

• 特征:
  • audio: 音频
  • subset: 字符串
  • source_processed: 字符串
  • source_raw: 字符串
  • target_raw: 字符串
  • split: 字符串
• 分割:
  • train: 293个样本，37288028字节
  • dev: 93个样本，14154952字节
• 下载大小: 85618314字节
• 数据集大小: 51442980字节

kotiria

• 特征:
  • audio: 音频
  • subset: 字符串
  • source_processed: 字符串
  • source_raw: 字符串
  • target_raw: 字符串
  • split: 字符串
• 分割:
  • train: 1972个样本，291865656.624字节
  • dev: 254个样本，34442493字节
• 下载大小: 341252496字节
• 数据集大小: 326308149.624字节

quechua

• 特征:
  • audio: 音频
  • subset: 字符串
  • source_processed: 字符串
  • source_raw: 字符串
  • target_raw: 字符串
  • split: 字符串
• 分割:
  • train: 573个样本，192806183字节
  • dev: 250个样本，239435023字节
• 下载大小: 862887688字节
• 数据集大小: 432241206字节

waikhana

• 特征:
  • audio: 音频
  • subset: 字符串
  • source_processed: 字符串
  • source_raw: 字符串
  • target_raw: 字符串
  • split: 字符串
• 分割:
  • train: 1416个样本，179534399.848字节
  • dev: 250个样本，24505677字节
• 下载大小: 203362078字节
• 数据集大小: 204040076.848字节

数据文件配置

• bribri:
  • train: bribri/train-*
  • dev: bribri/dev-*
• guarani:
  • train: guarani/train-*
  • dev: guarani/dev-*
• kotiria:
  • train: kotiria/train-*
  • dev: kotiria/dev-*
• quechua:
  • train: quechua/train-*
  • dev: quechua/dev-*
• waikhana:
  • train: waikhana/train-*
  • dev: waikhana/dev-*