Nexdata/mandarin_chinese

---
YAML tags:
- copy-paste the tags obtained with the tagging app: https://github.com/huggingface/datasets-tagging
---

# Dataset Card for mandarin_chinese

## Table of Contents
- [Table of Contents](#table-of-contents)
- [Dataset Description](#dataset-description)
- [Dataset Summary](#dataset-summary)
- [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards)
- [Languages](#languages)
- [Dataset Structure](#dataset-structure)
- [Data Instances](#data-instances)
- [Data Fields](#data-fields)
- [Data Splits](#data-splits)
- [Dataset Creation](#dataset-creation)
- [Curation Rationale](#curation-rationale)
- [Source Data](#source-data)
- [Annotations](#annotations)
- [Personal and Sensitive Information](#personal-and-sensitive-information)
- [Considerations for Using the Data](#considerations-for-using-the-data)
- [Social Impact of Dataset](#social-impact-of-dataset)
- [Discussion of Biases](#discussion-of-biases)
- [Other Known Limitations](#other-known-limitations)
- [Additional Information](#additional-information)
- [Dataset Curators](#dataset-curators)
- [Licensing Information](#licensing-information)
- [Citation Information](#citation-information)
- [Contributions](#contributions)

## Dataset Description

- **Homepage:** https://nexdata.ai/?source=Huggingface
- **Repository:**
- **Paper:**
- **Leaderboard:**
- **Point of Contact:**

### Dataset Summary

The dataset contains 15,000 hours of Mandarin Chinese speech data. It's collected from local Mandarin speakers in 33 provinces of China, covering mutiple scenes and enviroments. The format is 16kHz, 16bit, uncompressed wav, mono channel. The sentence accuracy is over 97%.
For more details, please refer to the link: https://nexdata.ai/speechRecognition?source=Huggingface

### Supported Tasks and Leaderboards

automatic-speech-recognition, audio-speaker-identification: The dataset can be used to train a model for Automatic Speech Recognition (ASR).

### Languages

Mandarin

## Dataset Structure

### Data Instances

[More Information Needed]

### Data Fields

[More Information Needed]

### Data Splits

[More Information Needed]

## Dataset Creation

### Curation Rationale

[More Information Needed]

### Source Data

#### Initial Data Collection and Normalization

[More Information Needed]

#### Who are the source language producers?

[More Information Needed]

### Annotations

#### Annotation process

[More Information Needed]

#### Who are the annotators?

[More Information Needed]

### Personal and Sensitive Information

[More Information Needed]

## Considerations for Using the Data

### Social Impact of Dataset

[More Information Needed]

### Discussion of Biases

[More Information Needed]

### Other Known Limitations

[More Information Needed]

## Additional Information

### Dataset Curators

[More Information Needed]

### Licensing Information

Commercial License

### Citation Information

[More Information Needed]

### Contributions

---
YAML 标签：
- 复制粘贴通过标注应用获取的标签：https://github.com/huggingface/datasets-tagging
---

# 「普通话（Mandarin Chinese）」数据集卡片

## 目录
- [目录](#table-of-contents)
- [数据集描述](#dataset-description)
- [数据集概况](#dataset-summary)
- [支持任务与排行榜](#supported-tasks-and-leaderboards)
- [语言](#languages)
- [数据集结构](#dataset-structure)
- [数据实例](#data-instances)
- [数据字段](#data-fields)
- [数据划分](#data-splits)
- [数据集构建](#dataset-creation)
- [构建初衷](#curation-rationale)
- [源数据](#source-data)
- [标注信息](#annotations)
- [个人与敏感信息](#personal-and-sensitive-information)
- [数据使用注意事项](#considerations-for-using-the-data)
- [数据集的社会影响](#social-impact-of-dataset)
- [偏差讨论](#discussion-of-biases)
- [其他已知局限](#other-known-limitations)
- [附加信息](#additional-information)
- [数据集整理者](#dataset-curators)
- [许可信息](#licensing-information)
- [引用信息](#citation-information)
- [贡献](#contributions)

## 数据集描述

- **“主页”**：https://nexdata.ai/?source=Huggingface
- **“代码仓库”**：
- **“论文”**：
- **“排行榜”**：
- **“联络人”**：

### 数据集概况
本数据集包含15000小时的普通话语音数据，采集自中国33个省份的本地普通话使用者，覆盖多种场景与环境。数据格式为16kHz、16bit的未压缩单声道wav格式，语句准确率超过97%。
如需了解更多细节，请访问链接：https://nexdata.ai/speechRecognition?source=Huggingface

### 支持任务与排行榜
自动语音识别（Automatic Speech Recognition, ASR）、音频说话人识别（audio-speaker-identification）：本数据集可用于训练自动语音识别（ASR）模型。

### 语言
普通话（Mandarin）

## 数据集结构

### 数据实例
[需补充更多信息]

### 数据字段
[需补充更多信息]

### 数据划分
[需补充更多信息]

## 数据集构建

### 构建初衷
[需补充更多信息]

### 源数据
#### 初始数据采集与归一化
[需补充更多信息]

#### 源语言生产者是谁？
[需补充更多信息]

### 标注信息
#### 标注流程
[需补充更多信息]

#### 标注者是谁？
[需补充更多信息]

### 个人与敏感信息
[需补充更多信息]

## 数据使用注意事项

### 数据集的社会影响
[需补充更多信息]

### 偏差讨论
[需补充更多信息]

### 其他已知局限
[需补充更多信息]

## 附加信息

### 数据集整理者
[需补充更多信息]

### 许可信息
商业许可

### 引用信息
[需补充更多信息]

### 贡献

原始信息汇总

数据集概述

数据集描述

数据集总结

• 内容: 包含15,000小时的普通话中文语音数据。
• 来源: 收集自中国33个省份的本地普通话发音人。
• 覆盖场景: 多种场景和环境。
• 格式: 16kHz, 16bit, 未压缩的wav格式，单声道。
• 准确率: 句子准确率超过97%。

支持的任务和排行榜

• 任务: 自动语音识别（ASR）、音频说话人识别。

语言

• 语言: 普通话

数据集结构

数据实例

• 信息: 待补充

数据字段

• 信息: 待补充

数据分割

• 信息: 待补充

数据集创建

来源数据

• 初始数据收集和标准化: 待补充
• 源语言生产者: 待补充

注释

• 注释过程: 待补充
• 注释者: 待补充

个人和敏感信息

• 信息: 待补充

使用数据的考虑

数据集的社会影响

• 信息: 待补充

偏见的讨论

• 信息: 待补充

其他已知限制

• 信息: 待补充

附加信息

数据集管理员

• 信息: 待补充

许可信息

• 许可类型: 商业许可

引用信息

• 信息: 待补充

贡献

• 信息: 待补充