masuidrive/cv-corpus-17.0-zh-TW-client_id-grouped

该数据集是Common Voice数据集的一个子集，基于客户端ID（被视为说话者ID）进行过滤和分组。数据集通过客户端ID进行分组，每个组仅包含样本数量在30到300之间的客户端ID。数据集被分割为训练集和验证集，比例为8:2，并且相同的客户端ID同时存在于训练集和验证集中。数据集被分割成每批1000个样本，并保存为Parquet文件。数据集统计信息显示，过滤后的客户端ID数量为366，过滤后的总条目数为45,229，原始总条目数为82,483。

原始信息汇总

数据集概述

基本信息

• 语言: 中文（zh）
• 许可证: CC0-1.0
• 标签:
  • 音频
  • 说话人分割
• 源数据集: Common Voice
• 任务类别: 自动语音识别
• 注释创建者: 众包
• 语言创建者: 众包

数据集详情

• 数据来源: 该数据集是Common Voice数据集的一个子集，根据客户端ID（视为说话人ID）进行过滤和分组。
• 分组规则: 每个分组仅包括至少30个样本且不超过300个样本的客户端ID。
• 数据划分: 数据集按客户端ID分组，分为训练集和验证集，比例为8:2。
• 数据存储: 数据以1000个样本为一批次，保存为Parquet文件。

数据集统计

• 过滤后的客户端ID数量: 366
• 过滤后的总样本数: 45,229
• 原始总样本数: 82,483

样本时长分布

• 描述: 数据集中的样本时长分布通过直方图展示。