maxseats/aihub-464-preprocessed-680GB-set-0

该数据集包含音频、转录文本、输入特征和标签等特征。音频特征的采样率为16000Hz，转录文本为字符串类型，输入特征为浮点数序列，标签为整数序列。数据集分为训练、测试和验证三个部分，每个部分包含不同数量的样本和字节数。数据集的创建过程涉及音频和字幕文件的处理，以及将处理后的数据转换为适合训练的格式。

原始信息汇总

数据集概述

数据集信息

特征

• audio: 音频数据，采样率为16000Hz。
• transcripts: 文本数据，类型为字符串。
• input_features: 序列数据，类型为float32。
• labels: 序列数据，类型为int64。

数据分割

• train: 训练集，包含42233个样本，大小为49040460406.29199字节。
• test: 测试集，包含5280个样本，大小为6131073590.444007字节。
• valid: 验证集，包含5279个样本，大小为6129912402.263998字节。

数据集大小

• 下载大小: 21790803009字节。
• 数据集总大小: 61301446399.0字节。

配置

• config_name: default
  • data_files:
    • train: data/train-*
    • test: data/test-*
    • valid: data/valid-*