Chijioke-Mgbahurike/eval_whisper

该数据集包含音频文件及其相关元数据，特征包括音频、转录文本、注释者ID、文件名、说话者数量、不同方言和口音的使用情况、性别信息以及人口统计信息。数据集的分割部分仅包含开发集，大小为72,859,124字节，包含254个样本。

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。
• Unnamed: 0: 整数类型。
• transcription: 字符串类型，表示转录文本。
• annotator_id: 浮点数类型，表示标注者ID。
• filename: 字符串类型，表示文件名。
• num_speakers: 浮点数类型，表示说话者数量。
• aave: 浮点数类型，表示AAVE（African American Vernacular English）相关信息。
• aave_speaker_count: 浮点数类型，表示使用AAVE的说话者数量。
• chicano_english: 浮点数类型，表示Chicano English相关信息。
• ce_speaker_count: 浮点数类型，表示使用Chicano English的说话者数量。
• spanglish: 浮点数类型，表示Spanglish相关信息。
• spanglish_speaker_count: 浮点数类型，表示使用Spanglish的说话者数量。
• sae: 浮点数类型，表示SAE（Standard American English）相关信息。
• sae_speaker_count: 浮点数类型，表示使用SAE的说话者数量。
• codeswitching: 浮点数类型，表示代码转换相关信息。
• other_dialect_accent: 浮点数类型，表示其他方言或口音相关信息。
• women: 浮点数类型，表示女性相关信息。
• women_speaker_count: 浮点数类型，表示女性说话者数量。
• men: 浮点数类型，表示男性相关信息。
• men_speaker_count: 浮点数类型，表示男性说话者数量。
• demographic_info_correct: 浮点数类型，表示人口统计信息是否正确。
• demographic_group: 分类标签，表示人口统计组别，具体类别包括：
  • 0: Black Men
  • 1: Black Women
  • 2: Black Womnen
  • 3: Latinx Men
  • 4: Latinx Men and Women
  • 5: Latinx Women
  • 6: Men
  • 7: White Men
  • 8: White Men and Women
  • 9: White Women
  • 10: white Women

数据集分割

• dev: 开发集，包含254个样本，数据大小为72859124字节。

数据集大小

• 下载大小: 72762034字节
• 数据集大小: 72859124字节

配置

• config_name: default
  • data_files:
    • split: dev
    • path: data/dev-*