atmatechai/dataset_240k_pseudolabelled_fix

该数据集包含音频、句子、路径和Whisper转录文本等特征。数据集分为训练集和测试集，训练集包含192,000个样本，测试集包含48,000个样本。总下载大小为43,480,153,599字节，数据集总大小为44,144,552,414字节。

This dataset includes audio files, sentence texts, file paths, and texts transcribed using the Whisper model. The dataset is divided into training and test sets, containing 192000 and 48000 samples respectively. The total download size of the dataset is 43480153599 bytes, and the total dataset size is 44144552414.0 bytes.

原始信息汇总

数据集概述

数据特征

• audio: 音频数据，数据类型为 audio。
• sentence: 句子文本，数据类型为 string。
• path: 文件路径，数据类型为 string。
• whisper_transcript: 转录文本，数据类型为 string。

数据集划分

• train: 训练集，包含 192,000 个样本，占用 35,315,642,660.8 字节。
• test: 测试集，包含 48,000 个样本，占用 8,828,909,753.2 字节。

数据集大小

• 下载大小: 43,480,153,599 字节。
• 总数据集大小: 44,144,552,414.0 字节。

配置信息

• config_name: default
  • data_files:
    • train: 数据路径为 data/train-*。
    • test: 数据路径为 data/test-*。