Eugleo/us-congressional-speeches

该数据集包含多个特征，如语音ID、文本内容、会议厅、日期、文件内编号、发言者、名字、姓氏、州、性别、行起始、行结束、文件名、字符数和单词数。这些特征详细描述了每个语音片段的信息，包括文本内容、发言者信息、时间和地点等。数据集分为一个训练集，包含17,395,884个样本，总大小为13,708,205,227字节。

The dataset includes multiple features such as speech ID, text content, chamber, date, number within file, speaker, first name, last name, state, gender, line start, line end, file name, character count, and word count. These features provide detailed information about each speech segment, including text content, speaker information, time, and location. The dataset is divided into a training set containing 17,395,884 samples with a total size of 13,708,205,227 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• speech_id: 整数类型
• text: 大字符串类型
• chamber: 大字符串类型
• date: 时间戳类型
• number_within_file: 整数类型
• speaker: 大字符串类型
• first_name: 大字符串类型
• last_name: 大字符串类型
• state: 大字符串类型
• gender: 大字符串类型
• line_start: 整数类型
• line_end: 整数类型
• file: 大字符串类型
• char_count: 整数类型
• word_count: 整数类型

数据分割

• train:
  • 字节数: 13708205227
  • 样本数: 17395884

数据集大小

• 下载大小: 6405645256 字节
• 数据集大小: 13708205227 字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*