JelleWo/vox_populi_en_VALTEST_pseudo_labelled

该数据集包含多种语言的音频数据及其相关文本信息。数据集的特征包括音频ID、语言、音频、原始文本、标准化文本、性别、说话者ID、是否为黄金转录、口音以及Whisper转录等。数据集分为验证集和测试集，分别包含1753和1842个样本。数据集的总下载大小约为1.88GB，总数据集大小约为2.29GB。支持的语言包括英语、德语、法语、西班牙语、波兰语、意大利语、罗马尼亚语、匈牙利语、捷克语、荷兰语、芬兰语、克罗地亚语、斯洛伐克语、斯洛文尼亚语、爱沙尼亚语、立陶宛语以及带口音的英语。

原始信息汇总

数据集概述

数据集配置信息

• 配置名称: en

数据集特征

• audio_id: 数据类型为字符串。
• language: 数据类型为分类标签，包含以下语言选项：
  • 0: en
  • 1: de
  • 2: fr
  • 3: es
  • 4: pl
  • 5: it
  • 6: ro
  • 7: hu
  • 8: cs
  • 9: nl
  • 10: fi
  • 11: hr
  • 12: sk
  • 13: sl
  • 14: et
  • 15: lt
  • 16: en_accented
• audio: 数据类型为音频，采样率为16000 Hz。
• raw_text: 数据类型为字符串。
• normalized_text: 数据类型为字符串。
• gender: 数据类型为字符串。
• speaker_id: 数据类型为字符串。
• is_gold_transcript: 数据类型为布尔值。
• accent: 数据类型为字符串。
• whisper_transcript: 数据类型为整数64位序列。

数据集分割

• validation:
  • 字节数: 1149008063.766
  • 示例数: 1753
• test:
  • 字节数: 1144657521.808
  • 示例数: 1842

数据集大小

• 下载大小: 1878566845
• 数据集大小: 2293665585.5740004

数据文件配置

• 配置名称: en
• 数据文件路径:
  • validation: en/validation-*
  • test: en/test-*