papasega/Avalinguo-Audio-Dataset-splitted

---
dataset_info:
features:
- name: filename
dtype: string
- name: label
dtype: string
- name: finalText
dtype: string
- name: num_words
dtype: int64
- name: segment_duration
dtype: float64
- name: words_per_sec
dtype: float64
- name: user
dtype: string
- name: duration
dtype: float64
- name: speech_rate
dtype: float64
- name: speech_rate_segment
dtype: float64
- name: lexical_density
dtype: float64
- name: 1gram_repeat
dtype: int64
- name: 2gram_repeat
dtype: int64
- name: 3gram_repeat
dtype: int64
- name: 4gram_repeat
dtype: int64
- name: 5gram_repeat
dtype: int64
- name: audio
struct:
- name: array
sequence: float64
- name: path
dtype: string
- name: sampling_rate
dtype: int64
splits:
- name: train
num_bytes: 666563662
num_examples: 1041
- name: test
num_bytes: 222186197
num_examples: 347
download_size: 218974072
dataset_size: 888749859
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

数据特征

数据集包含以下特征：

• filename: 文件名，数据类型为字符串。
• label: 标签，数据类型为字符串。
• finalText: 最终文本，数据类型为字符串。
• num_words: 单词数量，数据类型为整数。
• segment_duration: 片段持续时间，数据类型为浮点数。
• words_per_sec: 每秒单词数，数据类型为浮点数。
• user: 用户，数据类型为字符串。
• duration: 持续时间，数据类型为浮点数。
• speech_rate: 语速，数据类型为浮点数。
• speech_rate_segment: 片段语速，数据类型为浮点数。
• lexical_density: 词汇密度，数据类型为浮点数。
• 1gram_repeat: 一元重复次数，数据类型为整数。
• 2gram_repeat: 二元重复次数，数据类型为整数。
• 3gram_repeat: 三元重复次数，数据类型为整数。
• 4gram_repeat: 四元重复次数，数据类型为整数。
• 5gram_repeat: 五元重复次数，数据类型为整数。
• audio: 音频数据，包含以下子结构：
  • array: 音频数组，数据类型为浮点数序列。
  • path: 音频文件路径，数据类型为字符串。
  • sampling_rate: 采样率，数据类型为整数。

数据分割

数据集分为以下几个部分：

• train: 训练集，包含1041个样本，总字节数为666563662。
• test: 测试集，包含347个样本，总字节数为222186197。

数据集大小

• download_size: 下载大小为218974072字节。
• dataset_size: 数据集总大小为888749859字节。

配置

• default: 默认配置，包含以下数据文件路径：
  • train: 训练集数据文件路径为data/train-*。
  • test: 测试集数据文件路径为data/test-*。