Evan-Lin/common_voice_11_0_unit

common_voice_11_0_unit 数据集包含了一系列的语音数据，这些数据以不同的编码格式（如dac、encodec、facodec）和采样率（16k、24k、44k）存储。每个语音样本都附带有关用户的详细信息，如用户ID、路径、句子内容、投票信息、年龄、性别、口音、地区、语音段、唯一标识符等。数据集总共分为8个子集，每个子集包含4709个样本，但大小和字节数不同。

The common_voice_11_0_unit dataset comprises a collection of speech samples encoded in various formats (such as dac, encodec, facodec) and sample rates (16k, 24k, 44k). Each speech sample is accompanied by detailed user information, including client ID, path, sentence text, voting information, age, gender, accent, locale, segment, and a unique identifier. The dataset is divided into 8 splits, each containing 4709 samples, with varying sizes and byte counts.

原始信息汇总

数据集概述

数据集名称

common_voice_11_0_unit

数据集配置

• 配置名称: default

数据文件

• 分割: dac_16k
  • 路径: data/dac_16k-*
• 分割: dac_24k
  • 路径: data/dac_24k-*
• 分割: dac_44k
  • 路径: data/dac_44k-*
• 分割: speech_tokenizer_16k
  • 路径: data/speech_tokenizer_16k-*
• 分割: encodec_24k_3bps
  • 路径: data/encodec_24k_3bps-*
• 分割: encodec_24k_6bps
  • 路径: data/encodec_24k_6bps-*
• 分割: encodec_24k_12bps
  • 路径: data/encodec_24k_12bps-*
• 分割: facodec_16k
  • 路径: data/facodec_16k-*

数据集信息

特征

• 名称: client_id
  • 数据类型: string
• 名称: path
  • 数据类型: string
• 名称: sentence
  • 数据类型: string
• 名称: up_votes
  • 数据类型: int64
• 名称: down_votes
  • 数据类型: int64
• 名称: age
  • 数据类型: string
• 名称: gender
  • 数据类型: string
• 名称: accent
  • 数据类型: string
• 名称: locale
  • 数据类型: string
• 名称: segment
  • 数据类型: string
• 名称: id
  • 数据类型: string
• 名称: unit
  • 数据类型: int64 (序列)

分割

• 名称: dac_16k
  • 字节数: 95915103
  • 样本数: 4709
• 名称: dac_24k
  • 字节数: 378923727
  • 样本数: 4709
• 名称: dac_44k
  • 字节数: 123998211
  • 样本数: 4709
• 名称: speech_tokenizer_16k
  • 字节数: 58069807
  • 样本数: 4709
• 名称: encodec_24k_3bps
  • 字节数: 43973695
  • 样本数: 4709
• 名称: encodec_24k_6bps
  • 字节数: 85989935
  • 样本数: 4709
• 名称: encodec_24k_12bps
  • 字节数: 170022415
  • 样本数: 4709
• 名称: facodec_16k
  • 字节数: 69005559
  • 样本数: 4709

数据集大小

• 下载大小: 25203446 字节
• 数据集大小: 1025898452 字节