indiehackers/telugu_dataset

该数据集包含三个配置：telugu_asr、telugu_nlp和wikipedia。每个配置都有特定的特征和训练集分割，并提供了文件大小和示例数量的详细信息。数据集的来源包括Kaggle的Telugu NLP数据集、HuggingFace的Telugu ASR语料库和Wikimedia的Wikipedia Telugu数据集。这些数据集被整合成一个综合资源，用于泰卢固语自然语言处理任务。

原始信息汇总

数据集概述

数据集配置

Telugu ASR

• 特征:
  • 名称: sentence
  • 数据类型: string
• 分割:
  • 名称: train
  • 字节数: 47887486
  • 样本数: 209270
• 下载大小: 20219871
• 数据集大小: 47887486
• 数据文件:
  • 分割: train
  • 路径: telugu_asr/train-*

Telugu NLP

• 特征:
  • 名称: text
  • 数据类型: string
• 分割:
  • 名称: train
  • 字节数: 387671180
  • 样本数: 47415
• 下载大小: 150012515
• 数据集大小: 387671180
• 数据文件:
  • 分割: train
  • 路径: telugu_nlp/train-*

Wikipedia

• 特征:
  • 名称: text
  • 数据类型: string
• 分割:
  • 名称: train
  • 字节数: 710613522
  • 样本数: 87854
• 下载大小: 209754217
• 数据集大小: 710613522
• 数据文件:
  • 分割: train
  • 路径: wikipedia/train-*