atmatechdev/dataset_120k_pseudo_labelled_filter

该数据集包含音频和文本信息，具体特征包括音频（采样率为16000Hz）、句子、路径、条件序列和Whisper转录文本。数据集分为训练集和测试集，训练集包含95808个样本，测试集包含23951个样本。数据集的下载大小为21640531900字节，总大小为21995567460.631466字节。

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。
• sentence: 文本数据，类型为字符串。
• path: 路径信息，类型为字符串。
• condition_on_prev: 序列数据，类型为int64。
• whisper_transcript: 文本数据，类型为字符串。

数据集划分

• train: 训练集，包含95808个样本，总大小为17610490756.96字节。
• test: 测试集，包含23951个样本，总大小为4385076703.671468字节。

数据集大小

• 下载大小: 21640531900字节。
• 数据集总大小: 21995567460.631466字节。

数据文件配置

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