MikhailT/voxpopuli-en

---
dataset_info:
features:
- name: input_ids
sequence: int32
- name: labels
sequence:
sequence: float32
- name: speaker_embeddings
sequence: float32
splits:
- name: train
num_bytes: 2388645494.4157987
num_examples: 11871
- name: test
num_bytes: 265606271.8076703
num_examples: 1320
download_size: 1938036247
dataset_size: 2654251766.223469
---
# Dataset Card for "voxpopuli-en"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

特征信息

• input_ids: 序列类型，数据类型为int32。
• labels: 嵌套序列类型，内部序列数据类型为float32。
• speaker_embeddings: 序列类型，数据类型为float32。

数据分割

• 训练集 (train):
  • 字节数: 2388645494.4157987
  • 样本数: 11871
• 测试集 (test):
  • 字节数: 265606271.8076703
  • 样本数: 1320

数据大小

• 下载大小: 1938036247字节
• 数据集大小: 2654251766.223469字节

搜集汇总

背景与挑战

背景概述

该数据集是一个英语语音或文本数据集，源自VoxPopuli项目，包含13,191行数据，总大小为1.94 GB，以parquet格式存储。数据集分为训练集（11.9k行）和测试集（1.32k行），包含input_ids、labels和speaker_embeddings三个序列字段，适用于语音识别或说话人识别任务。