jp1924/KoreaSpeech

该数据集是一个用于自动语音识别（ASR）任务的韩语语音数据集。数据集包含音频文件和对应的句子文本，音频文件的采样率为16000Hz。此外，数据集还包含了丰富的元数据信息，如原始数据来源、时间戳、长度、主题、性别、代际、地理位置、方言、数据来源和质量等。数据集分为训练集和验证集，训练集包含2,624,874个样本，验证集包含142,683个样本。数据集的下载大小为427GB，总大小为449GB。

原始信息汇总

数据集概述

数据集特征

• audio: 采样率为16000的音频数据。
• sentence: 字符串类型。
• id: 字符串类型。
• meta: 结构化数据，包含以下字段：
  • original: 字符串类型。
  • start: 字符串类型。
  • end: 字符串类型。
  • length: 字符串类型。
  • subject: 字符串类型。
  • topic: 字符串类型。
  • gender: 字符串类型。
  • generation: 字符串类型。
  • location: 字符串类型。
  • dialect: 字符串类型。
  • source: 字符串类型。
  • quality: 字符串类型。

数据集划分

• train: 2624874个样本，占用426237436069.75字节。
• validation: 142683个样本，占用22950777291.625字节。

数据集大小

• 下载大小: 427367614446字节。
• 数据集大小: 449188213361.375字节。

配置

• default: 包含训练和验证数据文件的路径配置。

任务类别

• 自动语音识别。

语言

• 韩语。

标签

• STT
• Audio

大小类别

• 100B<n<1T

搜集汇总

背景与挑战

背景概述

jp1924/KoreaSpeech是一个用于自动语音识别任务的韩语数据集，包含音频和文本两种模态，格式为parquet，总文件大小为427 GB。访问该数据集需要用户同意共享联系信息。