atmatechdev/fleurs

---
dataset_info:
features:
- name: id
dtype: int32
- name: num_samples
dtype: int32
- name: path
dtype: string
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: sentence
dtype: string
- name: raw_transcription
dtype: string
- name: gender
dtype:
class_label:
names:
'0': male
'1': female
'2': other
- name: lang_id
dtype:
class_label:
names:
'0': af_za
'1': am_et
'2': ar_eg
'3': as_in
'4': ast_es
'5': az_az
'6': be_by
'7': bg_bg
'8': bn_in
'9': bs_ba
'10': ca_es
'11': ceb_ph
'12': ckb_iq
'13': cmn_hans_cn
'14': cs_cz
'15': cy_gb
'16': da_dk
'17': de_de
'18': el_gr
'19': en_us
'20': es_419
'21': et_ee
'22': fa_ir
'23': ff_sn
'24': fi_fi
'25': fil_ph
'26': fr_fr
'27': ga_ie
'28': gl_es
'29': gu_in
'30': ha_ng
'31': he_il
'32': hi_in
'33': hr_hr
'34': hu_hu
'35': hy_am
'36': id_id
'37': ig_ng
'38': is_is
'39': it_it
'40': ja_jp
'41': jv_id
'42': ka_ge
'43': kam_ke
'44': kea_cv
'45': kk_kz
'46': km_kh
'47': kn_in
'48': ko_kr
'49': ky_kg
'50': lb_lu
'51': lg_ug
'52': ln_cd
'53': lo_la
'54': lt_lt
'55': luo_ke
'56': lv_lv
'57': mi_nz
'58': mk_mk
'59': ml_in
'60': mn_mn
'61': mr_in
'62': ms_my
'63': mt_mt
'64': my_mm
'65': nb_no
'66': ne_np
'67': nl_nl
'68': nso_za
'69': ny_mw
'70': oc_fr
'71': om_et
'72': or_in
'73': pa_in
'74': pl_pl
'75': ps_af
'76': pt_br
'77': ro_ro
'78': ru_ru
'79': sd_in
'80': sk_sk
'81': sl_si
'82': sn_zw
'83': so_so
'84': sr_rs
'85': sv_se
'86': sw_ke
'87': ta_in
'88': te_in
'89': tg_tj
'90': th_th
'91': tr_tr
'92': uk_ua
'93': umb_ao
'94': ur_pk
'95': uz_uz
'96': vi_vn
'97': wo_sn
'98': xh_za
'99': yo_ng
'100': yue_hant_hk
'101': zu_za
'102': all
- name: language
dtype: string
- name: lang_group_id
dtype:
class_label:
names:
'0': western_european_we
'1': eastern_european_ee
'2': central_asia_middle_north_african_cmn
'3': sub_saharan_african_ssa
'4': south_asian_sa
'5': south_east_asian_sea
'6': chinese_japanase_korean_cjk
splits:
- name: train
num_bytes: 2363811692.326
num_examples: 2929
- name: test
num_bytes: 545363021.0
num_examples: 687
download_size: 2897760515
dataset_size: 2909174713.326
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

数据集信息：
特征列表：
- 字段名：样本ID（id），数据类型：32位整数（int32）
- 字段名：样本数（num_samples），数据类型：32位整数（int32）
- 字段名：文件路径（path），数据类型：字符串（string）
- 字段名：音频（audio），数据类型为音频结构：包含采样率（sampling_rate）为16000
- 字段名：转录句子（sentence），数据类型：字符串（string）
- 字段名：原始转录文本（raw_transcription），数据类型：字符串（string）
- 字段名：性别（gender），数据类型为类别标签（class_label），其类别名称映射为：'0': 男性（male），'1': 女性（female），'2': 其他（other）
- 字段名：语言ID（lang_id），数据类型为类别标签（class_label），类别名称映射如下：'0': af_za，'1': am_et，'2': ar_eg，'3': as_in，'4': ast_es，'5': az_az，'6': be_by，'7': bg_bg，'8': bn_in，'9': bs_ba，'10': ca_es，'11': ceb_ph，'12': ckb_iq，'13': cmn_hans_cn，'14': cs_cz，'15': cy_gb，'16': da_dk，'17': de_de，'18': el_gr，'19': en_us，'20': es_419，'21': et_ee，'22': fa_ir，'23': ff_sn，'24': fi_fi，'25': fil_ph，'26': fr_fr，'27': ga_ie，'28': gl_es，'29': gu_in，'30': ha_ng，'31': he_il，'32': hi_in，'33': hr_hr，'34': hu_hu，'35': hy_am，'36': id_id，'37': ig_ng，'38': is_is，'39': it_it，'40': ja_jp，'41': jv_id，'42': ka_ge，'43': kam_ke，'44': kea_cv，'45': kk_kz，'46': km_kh，'47': kn_in，'48': ko_kr，'49': ky_kg，'50': lb_lu，'51': lg_ug，'52': ln_cd，'53': lo_la，'54': lt_lt，'55': luo_ke，'56': lv_lv，'57': mi_nz，'58': mk_mk，'59': ml_in，'60': mn_mn，'61': mr_in，'62': ms_my，'63': mt_mt，'64': my_mm，'65': nb_no，'66': ne_np，'67': nl_nl，'68': nso_za，'69': ny_mw，'70': oc_fr，'71': om_et，'72': or_in，'73': pa_in，'74': pl_pl，'75': ps_af，'76': pt_br，'77': ro_ro，'78': ru_ru，'79': sd_in，'80': sk_sk，'81': sl_si，'82': sn_zw，'83': so_so，'84': sr_rs，'85': sv_se，'86': sw_ke，'87': ta_in，'88': te_in，'89': tg_tj，'90': th_th，'91': tr_tr，'92': uk_ua，'93': umb_ao，'94': ur_pk，'95': uz_uz，'96': vi_vn，'97': wo_sn，'98': xh_za，'99': yo_ng，'100': yue_hant_hk，'101': zu_za，'102': all
- 字段名：语言（language），数据类型：字符串（string）
- 字段名：语言组ID（lang_group_id），数据类型为类别标签（class_label），类别名称映射为：'0': 西欧语系（western_european_we），'1': 东欧语系（eastern_european_ee），'2': 中亚、中东及北非-官话语系（central_asia_middle_north_african_cmn），'3': 撒哈拉以南非洲语系（sub_saharan_african_ssa），'4': 南亚语系（south_asian_sa），'5': 东南亚语系（south_east_asian_sea），'6': 中、日、韩语系（chinese_japanese_korean_cjk）
数据集划分：
- 划分名称：训练集（train），字节大小：2363811692.326，样本数量：2929
- 划分名称：测试集（test），字节大小：545363021.0，样本数量：687
下载总大小：2897760515 字节
数据集总大小：2909174713.326 字节
配置项：
- 配置名称：默认配置（default），数据文件路径：
- 训练集对应 data/train-*
- 测试集对应 data/test-*

原始信息汇总

数据集概述

数据集特征

• id: 整数类型 (int32)
• num_samples: 整数类型 (int32)
• path: 字符串类型 (string)
• audio: 音频特征，采样率为16000
• sentence: 字符串类型 (string)
• raw_transcription: 字符串类型 (string)
• gender: 分类标签，包括男性(0)、女性(1)、其他(2)
• lang_id: 分类标签，包含多种语言代码
• language: 字符串类型 (string)
• lang_group_id: 分类标签，包括西欧(0)、东欧(1)、中亚/中东/北非(2)、撒哈拉以南非洲(3)、南亚(4)、东南亚(5)、中日韩(6)

数据集分割

• train: 包含2929个样本，总大小为2363811692.326字节
• test: 包含687个样本，总大小为545363021.0字节

数据集大小

• 下载大小: 2897760515字节
• 数据集总大小: 2909174713.326字节

配置文件

• default: 包含训练和测试数据的路径配置
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*