reach-vb/mls-eng-10k-repunct-all-nltk

该数据集包含音频文件的相关信息，包括原始路径、开始时间、结束时间、转录文本、音频时长、说话者ID、书籍ID以及重新标点的文本。数据集分为开发集、测试集和训练集，分别包含3807、3769和2420047个样本。数据集的下载大小为880428283字节，总大小为1389355491字节。

原始信息汇总

数据集概述

数据集特征

• original_path：数据类型为字符串。
• begin_time：数据类型为浮点数。
• end_time：数据类型为浮点数。
• transcript：数据类型为字符串。
• audio_duration：数据类型为浮点数。
• speaker_id：数据类型为字符串。
• book_id：数据类型为字符串。
• repunct_text：数据类型为字符串。

数据集划分

• dev：包含3807个样本，总大小为2182591字节。
• test：包含3769个样本，总大小为2168643字节。
• train：包含2420047个样本，总大小为1385004257字节。

数据集大小

• 下载大小：880428283字节。
• 数据集总大小：1389355491字节。

配置文件

• 默认配置：包含三个数据文件路径，分别对应dev、test和train。