maxseats/aihub-464-preprocessed-680GB-set-7

该数据集包含音频、转录文本、输入特征和标签四个主要特征。音频特征具有16000的采样率，转录文本为字符串类型，输入特征为浮点数序列，标签为整数序列。数据集分为训练集、测试集和验证集三个部分，分别包含42784、5348和5348个样本。数据集的下载大小为21721941927字节，总大小为61977116003.00001字节。

The dataset contains four main features: audio, transcripts, input features, and labels. The audio feature has a sampling rate of 16000, the transcripts are of string type, the input features are sequences of float32, and the labels are sequences of int64. The dataset is divided into three parts: train, test, and valid, containing 42784, 5348, and 5348 examples respectively. The download size of the dataset is 21721941927 bytes, and the total size is 61977116003.00001 bytes.

原始信息汇总

数据集概述

数据特征

• audio: 音频数据，采样率为16000。
• transcripts: 文本数据，数据类型为字符串。
• input_features: 输入特征，数据类型为浮点数序列。
• labels: 标签，数据类型为整数序列。

数据集划分

• train: 训练集，包含42784个样本，大小为49581692802.4字节。
• test: 测试集，包含5348个样本，大小为6197711600.3字节。
• valid: 验证集，包含5348个样本，大小为6197711600.3字节。

数据集大小

• 下载大小: 21721941927字节。
• 总数据集大小: 61977116003.00001字节。

配置信息

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