distil-whisper/rev16

该数据集包含两个配置：full和whisper_subset。full配置包含30个播客文件，而whisper_subset配置是从中筛选出的16个播客文件，用于Whisper论文的长格式评估。剩余的14个文件由于音频和标签不匹配而被过滤掉。每个配置都包含音频、文件编号、节目标题、集标题、iTunes ID和转录文本等特征。数据集分为测试集，并提供了每个配置的下载大小和数据集大小。

The dataset includes two configurations: full and whisper_subset. The full configuration contains 30 podcast files, while the whisper_subset configuration contains 16 podcast files used in the Whisper paper for long-form evaluation. Each configuration includes features such as audio, file number, show title, episode title, iTunes ID, and transcription. The dataset is divided into a test set, with 30 samples in the full configuration and 16 samples in the whisper_subset configuration.

原始信息汇总

数据集概述

数据集配置

• full: 包含30个播客文件的完整数据集。
• whisper_subset: 包含16个播客文件的子集，用于Whisper论文中的长格式评估。其余14个文件因音频与标签不匹配而被从测试集中过滤。

数据集特征

• audio: 音频数据类型。
• file_number: 文件编号，字符串类型。
• show_title: 节目标题，字符串类型。
• episode_title: 剧集标题，字符串类型。
• itunes_id: iTunes ID，字符串类型。
• transcription: 转录文本，字符串类型。

数据分割

• test:
  • full: 包含30个样本，数据大小为1509910660.0字节，下载大小为1445493754字节。
  • whisper_subset: 包含16个样本，数据大小为921693242.0字节，下载大小为881542397字节。

数据文件路径

• full: 测试集文件路径为full/test-*。
• whisper_subset: 测试集文件路径为whisper_subset/test-*。