jp1924/GanwonSpeech

该数据集包含多个特征，如音频、句子、标准形式、方言形式、开始时间、结束时间、注释、词汇列表、说话者信息和元数据。数据集分为训练集和验证集，分别包含大量的字节和示例。数据集的下载大小和总大小也被详细列出。

原始信息汇总

数据集概述

数据集特征

• id: 字符串类型
• audio: 音频类型，采样率为16000
• sentence: 字符串类型
• standard_form: 字符串类型
• dialect_form: 字符串类型
• start: 浮点型
• end: 浮点型
• note: 字符串类型
• eojeolList: 列表类型，包含以下字段：
  • id: 字节型
  • eojeol: 字符串类型
  • standard: 字符串类型
  • isDialect: 布尔型
• speaker: 结构体类型，包含以下字段：
  • id: 字符串类型
  • name: 字符串类型
  • age: 字符串类型
  • occupation: 字符串类型
  • sex: 字符串类型
  • birthplace: 字符串类型
  • principal_residence: 字符串类型
  • current_residence: 字符串类型
  • education: 字符串类型
• metadata: 结构体类型，包含以下字段：
  • title: 字符串类型
  • creator: 字符串类型
  • distributor: 字符串类型
  • year: 字符串类型
  • category: 字符串类型
  • annotation_level: 列表类型，字符串
  • sampling: 字符串类型
  • author: 字符串类型
  • publisher: 字符串类型
  • date: 字符串类型
  • topic: 字符串类型

数据集分割

• train: 数据量约为734680595321.856字节，包含1572548个样本
• validation: 数据量约为106720975245.728字节，包含276799个样本

数据集大小

• 下载大小: 743809809616字节
• 数据集总大小: 841401570567.584字节

数据文件配置

• default 配置:
  • 训练数据路径: data/train-*
  • 验证数据路径: data/validation-*