asahi417/seamless-align-enA-esA.tokenized.encodec

该数据集包含多个子集，每个子集包含行号、英文和西班牙文的ID、LASER评分以及音频标记等特征。数据集主要用于训练，每个子集的训练集大小和样本数量都有详细记录。

This dataset contains multiple subsets, each of which includes features such as line numbers, English and Spanish IDs, LASER scores, and audio tokens. The dataset is primarily used for training, with detailed records of the size and number of samples in each subsets training set.

原始信息汇总

数据集概述

数据集配置

子集 1 (subset_1)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 881,153,742
    • 样本数: 2,178
• 下载大小: 136,537,530 字节
• 数据集大小: 881,153,742 字节

子集 10 (subset_10)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 848,240,640
    • 样本数: 2,228
• 下载大小: 131,540,576 字节
• 数据集大小: 848,240,640 字节

子集 100 (subset_100)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 663,978,324
    • 样本数: 2,091
• 下载大小: 102,788,221 字节
• 数据集大小: 663,978,324 字节

子集 101 (subset_101)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 663,446,929
    • 样本数: 2,089
• 下载大小: 102,692,667 字节
• 数据集大小: 663,446,929 字节

子集 102 (subset_102)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 643,993,083
    • 样本数: 2,015
• 下载大小: 99,697,703 字节
• 数据集大小: 643,993,083 字节

子集 103 (subset_103)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 669,460,408
    • 样本数: 2,061
• 下载大小: 103,557,663 字节
• 数据集大小: 669,460,408 字节

子集 104 (subset_104)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 667,667,509
    • 样本数: 2,100
• 下载大小: 103,211,098 字节
• 数据集大小: 667,667,509 字节

子集 105 (subset_105)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 666,878,076
    • 样本数: 2,098
• 下载大小: 103,131,122 字节
• 数据集大小: 666,878,076 字节

子集 106 (subset_106)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 655,251,874
    • 样本数: 2,048
• 下载大小: 101,359,414 字节
• 数据集大小: 655,251,874 字节

子集 107 (subset_107)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 652,191,772
    • 样本数: 2,059
• 下载大小: 100,978,980 字节
• 数据集大小: 652,191,772 字节

子集 108 (subset_108)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 670,701,999
    • 样本数: 2,105
• 下载大小: 103,735,453 字节
• 数据集大小: 670,701,999 字节

子集 109 (subset_109)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 657,525,535
    • 样本数: 2,069
• 下载大小: 101,651,036 字节
• 数据集大小: 657,525,535 字节

子集 11 (subset_11)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 847,993,246
    • 样本数: 2,233
• 下载大小: 131,548,844 字节
• 数据集大小: 847,993,246 字节

子集 110 (subset_110)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 652,447,725
    • 样本数: 2,055
• 下载大小: 101,009,493 字节
• 数据集大小: 652,447,725 字节

子集 111 (subset_111)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 647,024,521
    • 样本数: 2,051
• 下载大小: 100,089,383 字节
• 数据集大小: 647,024,521 字节

子集 112 (subset_112)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型 (int64)
• 分割:
  • train:
    • 字节数: 634,755,918
    • 样本数: 2,025
• 下载大小: 98,220,434 字节
• 数据集大小: 634,755,918 字节

子集 113 (subset_113)

• 特征:
  • line_no: 整数类型 (int64)
  • enA.id: 字符串类型 (string)
  • enA.laser_score: 浮点数类型 (float64)
  • esA.id: 字符串类型 (string)
  • esA.laser_score: 浮点数类型 (float64)
  • enA.audio.tokens: 整数序列类型 (int64)
  • esA.audio.tokens: 整数序列类型