choejiin/aihub-132-preprocessed-D21-1

该数据集是AI hub的132号会议语音数据集的D21_1数据集，包含音频、转录文本、输入特征和标签等特征。数据集分为训练集、测试集和验证集，每个分割的字节数和示例数也提供了。在使用whisper进行学习之前，需要确认标签数据的英文/数字到韩语的转换以及特殊符号的去除。

原始信息汇总

数据集概述

许可证

• Apache 2.0

数据集信息

特征

• audio:
  • 采样率: 16000
• transcripts:
  • 数据类型: string
• input_features:
  • 序列类型: float32
• labels:
  • 序列类型: int64

数据分割

• train:
  • 字节数: 54331631682.25223
  • 样本数: 47524
• test:
  • 字节数: 6792025583.373885
  • 样本数: 5941
• valid:
  • 字节数: 6792025583.373885
  • 样本数: 5941

数据大小

• 下载大小: 22311745061
• 数据集总大小: 67915682849.0

配置

• config_name: default
  • 数据文件:
    • train: data/train-*
    • test: data/test-*
    • valid: data/valid-*