ittailup/la_tokenized

该数据集包含多种特征，如音频（采样率为16000）、说话人ID、性别、持续时间、文本、国家等，并分为训练集。数据集主要用于语音和文本相关的机器学习任务，支持特征序列和标签序列的处理。

原始信息汇总

数据集概述

数据集特征

• audio: 音频数据，采样率为16000。
• speaker_id: 说话人标识，数据类型为字符串。
• gender: 说话人性别，数据类型为字符串。
• duration: 音频时长，数据类型为浮点数。
• text: 文本内容，数据类型为字符串。
• country: 说话人国籍，数据类型为字符串。
• input_features: 输入特征，数据类型为浮点数序列。
• labels: 标签，数据类型为整数序列。
• labeled_sentence: 带标签的句子，数据类型为字符串。

数据集划分

• 训练集 (train): 包含72446个样本，总大小为85426227914.25字节。

数据集大小

• 下载大小: 31047132700字节。
• 总大小: 85426227914.25字节。

配置信息

• 默认配置 (default): 训练数据文件路径为data/train-*。