Chijioke-Mgbahurike/wav2vec2_phoneme_spot_data_all

该数据集包含音频数据及其转录文本，以及相关的注释者ID、文件名、说话者数量、方言和口音信息、性别信息、人口统计信息等特征。数据集包含一个训练集，大小为4647393551.75字节，包含1690个样本。

This dataset is primarily used for speech recognition and language analysis, containing audio files along with their transcriptions, annotator information, filenames, etc. The audio files have a sampling rate of 16000Hz, suitable for training models for speech recognition and language feature analysis. The dataset is divided into a training set with 1690 samples, with a total size of 4647393551.75 bytes and a download size of 4628211491 bytes.

原始信息汇总

数据集概述

数据集特征

• audio: 音频数据，采样率为16000。
• Unnamed: 0: 整数类型数据。
• transcription: 字符串类型数据。
• annotator_id: 浮点数类型数据。
• filename: 字符串类型数据。
• num_speakers: 浮点数类型数据。
• aave: 浮点数类型数据。
• aave_speaker_count: 浮点数类型数据。
• chicano_english: 浮点数类型数据。
• ce_speaker_count: 浮点数类型数据。
• spanglish: 浮点数类型数据。
• spanglish_speaker_count: 浮点数类型数据。
• sae: 浮点数类型数据。
• sae_speaker_count: 浮点数类型数据。
• codeswitching: 浮点数类型数据。
• other_dialect_accent: 浮点数类型数据。
• women: 浮点数类型数据。
• women_speaker_count: 浮点数类型数据。
• men: 浮点数类型数据。
• men_speaker_count: 浮点数类型数据。
• demographic_info_correct: 浮点数类型数据。
• demographic_group: 字符串类型数据。
• input_values: 序列数据，类型为float32。
• input_length: 浮点数类型数据。
• labels: 序列数据，类型为int64。
• pred_str: 字符串类型数据。
• text: 字符串类型数据。

数据集分割

• train: 训练集，包含1690个样本，总大小为4647393551.75字节。

数据集大小

• 下载大小: 4628211491字节
• 数据集总大小: 4647393551.75字节

配置

• config_name: default
• data_files:
  • split: train
  • path: data/train-*