DragonLine/ksponspeech_04_preprocess

---
dataset_info:
features:
- name: input_features
sequence:
sequence: float32
- name: labels
sequence: int64
splits:
- name: train
num_bytes: 95285083320
num_examples: 99200
- name: test
num_bytes: 11910672176
num_examples: 12400
- name: valid
num_bytes: 11910608544
num_examples: 12400
download_size: 23787011926
dataset_size: 119106364040
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
- split: valid
path: data/valid-*
---

原始信息汇总

数据集概述

特征信息

• 输入特征 (input_features)
  • 类型: 序列 (sequence)
  • 数据类型: float32
• 标签 (labels)
  • 类型: 序列 (sequence)
  • 数据类型: int64

数据分割

• 训练集 (train)
  • 字节数: 95285083320
  • 样本数: 99200
• 测试集 (test)
  • 字节数: 11910672176
  • 样本数: 12400
• 验证集 (valid)
  • 字节数: 11910608544
  • 样本数: 12400

数据大小

• 下载大小: 23787011926 字节
• 数据集大小: 119106364040 字节

配置信息

• 配置名称: default
  • 数据文件路径
    • 训练集: data/train-*
    • 测试集: data/test-*
    • 验证集: data/valid-*

搜集汇总

背景与挑战

背景概述

该数据集是一个预处理的语音数据集，包含15,540行数据，总大小为23.8 GB，以Parquet格式存储。数据集分为训练、测试和验证三个子集，每个子集约5k行，输入为序列特征（如音频），标签为序列标记（如文本），适用于语音处理任务。