kdcyberdude/punjabi_asr_dataset_v2

该数据集包含音频、文本、持续时间、来源和说话者ID等特征。音频采样率为16000，文本和来源为字符串，持续时间为浮点数，说话者ID为空值。数据集分为训练集和测试集，训练集有307297个样本，测试集有6021个样本。数据集总下载大小为101346748892字节，总数据集大小为56215971399.36941字节。数据文件根据不同的分割（train或test）存储在指定路径。

数据集信息：
### 特征字段
1. 音频（audio）：数据类型为音频格式，采样率为16000Hz
2. 文本（text）：数据类型为字符串
3. 时长（duration）：数据类型为双精度浮点数（float64）
4. 来源（source）：数据类型为字符串
5. 说话人ID（speaker_id）：数据类型为空值（null）

### 数据集拆分
- 训练集（train）：占用字节数为55932998706.459656，共包含307297条样本
- 测试集（test）：占用字节数为282972692.9097521，共包含6021条样本

整体下载大小为101346748892字节，数据集总存储大小为56215971399.36941字节。

### 配置项
- 默认配置（default）：数据文件路径配置如下：
- 训练集拆分对应路径：`data/train-*`
- 测试集拆分对应路径：`data/test-*`

source字段为空值时，其对应取值为IndicSuperb。

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。
• text: 文本数据，数据类型为字符串。
• duration: 持续时间，数据类型为浮点数。
• source: 数据来源，数据类型为字符串。
• speaker_id: 说话人标识，数据类型为空。

数据集分割

• train: 训练集，包含307297个样本，总大小为55932998706.459656字节。
• test: 测试集，包含6021个样本，总大小为282972692.9097521字节。

数据集大小

• 下载大小: 101346748892字节。
• 数据集大小: 56215971399.36941字节。

数据文件配置

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