theodorr/librittsr_encodec

该数据集包含音频和文本数据，主要特征包括音频标记（audio_token）、文本（text）、说话者（speaker）、书籍（book）和音频时长（audio_duration）。数据集分为三个部分：train_clean_360、train_other_500和train_clean_100，分别包含116451、205035和33232个样本，总大小为9609238315字节。

This dataset contains audio and text data, with key features including audio tokens (audio_token), text (text), speaker (speaker), book (book), and audio duration (audio_duration). The dataset is divided into three splits: train_clean_360, train_other_500, and train_clean_100, containing 116451, 205035, and 33232 samples respectively, with a total size of 9609238315 bytes.

原始信息汇总

数据集概述

数据集特征

• audio_token: 嵌套序列，内部为int64类型。
• text: 字符串类型。
• speaker: 字符串类型。
• book: 字符串类型。
• audio_duration: 浮点数类型。

数据集分割

• train_clean_360:
  • 字节数: 3310792673
  • 样本数: 116451
• train_other_500:
  • 字节数: 5367393098
  • 样本数: 205035
• train_clean_100:
  • 字节数: 931052544
  • 样本数: 33232

数据集大小

• 下载大小: 1522957345 字节
• 总大小: 9609238315 字节

配置

• config_name: default
  • 数据文件路径:
    • train_clean_360: data/train_clean_360-*
    • train_other_500: data/train_other_500-*
    • train_clean_100: data/train_clean_100-*