yongchanskii/youtube-data-various-domain-v2

该数据集主要用于语音识别和文本分析，包含多个与视频和音频相关的特征，如视频源、频道名称、类别、标题、视频ID、领域词汇、音频文件、转录文本路径、时间戳、错误率（WER和CER）、参考文本和假设文本等。数据集分为训练集、测试集和验证集，每个集包含不同数量的示例和字节数，适用于开发和评估语音识别和文本处理模型。

原始信息汇总

数据集概述

特征信息

• source: 数据类型为字符串。
• channelName: 数据类型为字符串。
• category: 数据类型为字符串。
• title: 数据类型为字符串。
• videoId: 数据类型为字符串。
• domainWords: 数据类型为字符串。
• audio: 包含音频数据，采样率为16000。
• transcriptionPath: 数据类型为字符串。
• start: 数据类型为浮点数。
• end: 数据类型为浮点数。
• WER: 数据类型为浮点数。
• CER: 数据类型为浮点数。
• CER_d: 数据类型为浮点数。
• CER_pn: 数据类型为浮点数。
• referenceText: 数据类型为字符串。
• hypotheseText: 数据类型为字符串。
• referenceTextLength: 数据类型为整数。
• hypotheseTextLength: 数据类型为整数。
• index_level_0: 数据类型为整数。

数据集划分

• train: 包含3756个样本，大小为999691116.516字节。
• test: 包含801个样本，大小为212739165.0字节。
• validation: 包含294个样本，大小为75154647.0字节。

数据集大小

• 下载大小: 1306242260字节。
• 数据集总大小: 1287584928.516字节。

配置信息

• config_name: default
  • data_files:
    • train: 路径为data/train-*。
    • test: 路径为data/test-*。
    • validation: 路径为data/validation-*。