commonvoice22-sidon-dacvae

该数据集是基于CommonVoice 22 (Sidon-enhanced)转换而来的DAC VAE潜在表示数据集，采用WebDataset格式存储为tar分片。每个样本包含三个文件：原始FLAC格式音频、DAC VAE潜在表示（[T_latent, 128]形状的numpy数组）和包含丰富元数据的JSON文件。数据集使用Facebook的DACVAE模型进行编码，输入音频采样率为48kHz，潜在表示帧率为25帧/秒。数据集涵盖多种语言（如英语、德语、法语等），每个语言的样本数量在元数据表格中详细列出。元数据包含语言代码、数据划分、文本转录、音频时长、字符每秒速率等丰富信息。该数据集适用于自动语音识别和文本到语音转换任务，采用CC-BY-4.0许可证。