jp1924/KconfSpeech

---
dataset_info:
features:
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: sentence
dtype: string
- name: id
dtype: string
- name: dataSet
struct:
- name: version
dtype: string
- name: date
dtype: string
- name: typeInfo
struct:
- name: category
dtype: string
- name: subcategory
dtype: string
- name: place
dtype: string
- name: speakers
list:
- name: id
dtype: string
- name: gender
dtype: string
- name: age
dtype: string
- name: residence
dtype: string
- name: inputType
dtype: string
- name: dialogs
list:
- name: speaker
dtype: string
- name: audioPath
dtype: string
- name: textPath
dtype: string
splits:
- name: train
num_bytes: 342782915304.375
num_examples: 1824445
- name: validation
num_bytes: 3177111029.875
num_examples: 16113
download_size: 334480278087
dataset_size: 345960026334.25
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
task_categories:
- automatic-speech-recognition
language:
- ko
tags:
- STT
- Audio
size_categories:
- 100B<n<1T
---

数据集信息：
特征项：
1. 音频（audio）：数据类型为音频，采样率为16000赫兹
2. 句子（sentence）：数据类型为字符串
3. 标识符（id）：数据类型为字符串
4. 数据集结构体（dataSet）：为结构体类型，包含以下字段：
- 版本（version）：字符串类型
- 日期（date）：字符串类型
- 类型信息结构体（typeInfo）：为结构体类型，包含以下字段：
* 类别（category）：字符串类型
* 子类别（subcategory）：字符串类型
* 采集地点（place）：字符串类型
* 说话人列表（speakers）：列表类型，列表元素包含以下字段：
· 说话人ID（id）：字符串类型
· 性别（gender）：字符串类型
· 年龄（age）：字符串类型
· 居住地（residence）：字符串类型
* 输入类型（inputType）：字符串类型
- 对话列表（dialogs）：列表类型，列表元素包含以下字段：
* 说话人（speaker）：字符串类型
* 音频路径（audioPath）：字符串类型
* 文本路径（textPath）：字符串类型
数据划分：
- 划分名称：训练集（train），占用字节数：342782915304.375，样本数量：1824445
- 划分名称：验证集（validation），占用字节数：3177111029.875，样本数量：16113
下载总大小：334480278087 字节
数据集总大小：345960026334.25 字节
配置信息：
- 配置名称：默认配置（default），对应数据文件：
· 训练集（train）：路径为 data/train-*
· 验证集（validation）：路径为 data/validation-*
任务类别：自动语音识别（automatic-speech-recognition）
使用语言：韩语（ko）
标签：STT、音频（Audio）
规模分类：1000亿 < 样本总量 < 1万亿

原始信息汇总

数据集概述

数据集特征

• audio: 采样率为16000的音频数据。
• sentence: 字符串类型。
• id: 字符串类型。
• dataSet: 结构化数据，包含以下子特征：
  • version: 字符串类型。
  • date: 字符串类型。
  • typeInfo: 结构化数据，包含以下子特征：
    • category: 字符串类型。
    • subcategory: 字符串类型。
    • place: 字符串类型。
    • speakers: 列表，包含以下子特征：
      • id: 字符串类型。
      • gender: 字符串类型。
      • age: 字符串类型。
      • residence: 字符串类型。
    • inputType: 字符串类型。
  • dialogs: 列表，包含以下子特征：
    • speaker: 字符串类型。
    • audioPath: 字符串类型。
    • textPath: 字符串类型。

数据集分割

• train: 1824445个样本，占用342782915304.375字节。
• validation: 16113个样本，占用3177111029.875字节。

数据集大小

• 下载大小: 334480278087字节。
• 数据集大小: 345960026334.25字节。

配置

• config_name: default
• data_files:
  • split: train, path: data/train-*
  • split: validation, path: data/validation-*

任务类别

• automatic-speech-recognition

语言

• ko

标签

• STT
• Audio

大小类别

• 100B<n<1T