Beijuka/clean_testfiltered_fleurs

该数据集包含多个特征，如id、num_samples、path、audio、transcription、raw_transcription、gender、lang_id、language和lang_group_id。其中，audio特征包含采样率为16000的音频数据，gender和lang_id特征使用分类标签表示性别和语言ID。数据集还包含一个测试集分割，包含202个样本，总大小为151726961字节。

The dataset includes multiple features such as id, num_samples, path, audio, transcription, raw_transcription, gender, lang_id, language, and lang_group_id. The audio feature contains audio data with a sampling rate of 16000, and the gender and lang_id features use class labels to represent gender and language ID. The dataset also includes a test split with 202 samples and a total size of 151726961 bytes.

原始信息汇总

数据集概述

数据集特征

• id: 整数类型，表示样本的唯一标识。
• num_samples: 整数类型，表示样本的数量。
• path: 字符串类型，表示音频文件的路径。
• audio: 音频类型，采样率为16000。
• transcription: 字符串类型，表示音频的转录文本。
• raw_transcription: 字符串类型，表示音频的原始转录文本。
• gender: 分类标签类型，表示说话者的性别，包括：
  • 0: 男性
  • 1: 女性
  • 2: 其他
• lang_id: 分类标签类型，表示语言的标识，包括：
  • 0: 南非荷兰语
  • 1: 阿姆哈拉语
  • 2: 阿拉伯语（埃及）
  • 3: 阿萨姆语
  • 4: 阿斯图里亚斯语
  • 5: 阿塞拜疆语
  • 6: 白俄罗斯语
  • 7: 保加利亚语
  • 8: 孟加拉语
  • 9: 波斯尼亚语
  • 10: 加泰罗尼亚语
  • 11: 宿务语
  • 12: 库尔德语（中）
  • 13: 中文（简体）
  • 14: 捷克语
  • 15: 威尔士语
  • 16: 丹麦语
  • 17: 德语
  • 18: 希腊语
  • 19: 英语（美国）
  • 20: 西班牙语（拉丁美洲）
  • 21: 爱沙尼亚语
  • 22: 波斯语
  • 23: 富拉语
  • 24: 芬兰语
  • 25: 菲律宾语
  • 26: 法语
  • 27: 爱尔兰语
  • 28: 加利西亚语
  • 29: 古吉拉特语
  • 30: 豪萨语
  • 31: 希伯来语
  • 32: 印地语
  • 33: 克罗地亚语
  • 34: 匈牙利语
  • 35: 亚美尼亚语
  • 36: 印度尼西亚语
  • 37: 伊博语
  • 38: 冰岛语
  • 39: 意大利语
  • 40: 日语
  • 41: 爪哇语
  • 42: 格鲁吉亚语
  • 43: 卡姆巴语
  • 44: 卡布列语
  • 45: 哈萨克语
  • 46: 高棉语
  • 47: 卡纳达语
  • 48: 韩语
  • 49: 吉尔吉斯语
  • 50: 卢森堡语
  • 51: 卢干达语
  • 52: 林加拉语
  • 53: 老挝语
  • 54: 立陶宛语
  • 55: 卢奥语
  • 56: 拉脱维亚语
  • 57: 毛利语
  • 58: 马其顿语
  • 59: 马拉雅拉姆语
  • 60: 蒙古语
  • 61: 马拉地语
  • 62: 马来语
  • 63: 马耳他语
  • 64: 缅甸语
  • 65: 挪威语
  • 66: 尼泊尔语
  • 67: 荷兰语
  • 68: 塞索托语
  • 69: 齐切瓦语
  • 70: 奥克语
  • 71: 奥罗莫语
  • 72: 奥里亚语
  • 73: 旁遮普语
  • 74: 波兰语
  • 75: 普什图语
  • 76: 葡萄牙语（巴西）
  • 77: 罗马尼亚语
  • 78: 俄语
  • 79: 信德语
  • 80: 斯洛伐克语
  • 81: 斯洛文尼亚语
  • 82: 修纳语
  • 83: 索马里语
  • 84: 塞尔维亚语
  • 85: 瑞典语
  • 86: 斯瓦希里语
  • 87: 泰米尔语
  • 88: 泰卢固语
  • 89: 塔吉克语
  • 90: 泰语
  • 91: 土耳其语
  • 92: 乌克兰语
  • 93: 翁本杜语
  • 94: 乌尔都语
  • 95: 乌兹别克语
  • 96: 越南语
  • 97: 沃洛夫语
  • 98: 科萨语
  • 99: 约鲁巴语
  • 100: 粤语（香港）
  • 101: 祖鲁语
  • 102: 所有语言
• language: 字符串类型，表示语言的名称。
• lang_group_id: 分类标签类型，表示语言组的标识，包括：
  • 0: 西欧语言
  • 1: 东欧语言
  • 2: 中亚及北非语言
  • 3: 撒哈拉以南非洲语言
  • 4: 南亚语言
  • 5: 东南亚语言
  • 6: 中日韩语言

数据集分割

• test: 测试集，包含202个样本，总大小为151726961字节。

数据集大小

• 下载大小: 149556681字节
• 数据集大小: 151726961字节

配置

• default: 默认配置，包含测试集的数据文件路径为data/test-*。