satani/common_voice_13_0_hi_pseudo_labelled

该数据集包含两个配置：hi和hi_in。hi配置包含音频数据、句子、投票数、年龄、性别、口音、地区等信息，数据集分为训练集、验证集和测试集，分别包含4479、2281和2947个示例。hi_in配置包含音频数据、转录文本、性别、语言ID、语言组ID等信息，数据集分为训练集、验证集和测试集，分别包含2120、239和418个示例。两个配置的音频采样率均为16000Hz。

原始信息汇总

数据集概述

配置 hi

特征

• client_id: 字符串
• path: 字符串
• audio: 音频，采样率 16000
• sentence: 字符串
• up_votes: 整数
• down_votes: 整数
• age: 字符串
• gender: 字符串
• accent: 字符串
• locale: 字符串
• segment: 字符串
• variant: 字符串
• whisper_transcript: 整数序列

分割

• train: 字节数 133795020.934, 样本数 4479
• validation: 字节数 67494362.935, 样本数 2281
• test: 字节数 102994313.039, 样本数 2947

大小

• 下载大小: 269388323
• 数据集大小: 304283696.908

配置 hi_in

特征

• id: 整数
• num_samples: 整数
• path: 字符串
• audio: 音频，采样率 16000
• transcription: 字符串
• raw_transcription: 字符串
• gender: 类别标签，取值: male, female, other
• lang_id: 类别标签，取值: af_za, am_et, ..., zu_za, all
• language: 字符串
• lang_group_id: 类别标签，取值: western_european_we, eastern_european_ee, ..., chinese_japanase_korean_cjk
• whisper_transcript: 整数序列

分割

• train: 字节数 1537557908.2, 样本数 2120
• validation: 字节数 164618710.0, 样本数 239
• test: 字节数 310072327.0, 样本数 418

大小

• 下载大小: 1998285116
• 数据集大小: 2012248945.2

数据文件路径

配置 hi

• train: hi/train-*
• validation: hi/validation-*
• test: hi/test-*

配置 hi_in

• train: hi_in/train-*
• validation: hi_in/validation-*
• test: hi_in/test-*