speech31/commonvoice_tamil_ipa

---
dataset_info:
features:
- name: path
dtype: string
- name: audio
dtype:
audio:
sampling_rate: 48000
- name: sentence
dtype: string
- name: phonetic_codes
dtype: string
- name: ipa
dtype: string
splits:
- name: train
num_bytes: 1580430907.016
num_examples: 44839
- name: validation
num_bytes: 374494166.834
num_examples: 12049
- name: test
num_bytes: 478122660.264
num_examples: 12114
download_size: 2619234407
dataset_size: 2433047734.114
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

原始信息汇总

数据集概述

数据集特征

• path: 数据类型为字符串。
• audio: 数据类型为音频，采样率为48000。
• sentence: 数据类型为字符串。
• phonetic_codes: 数据类型为字符串。
• ipa: 数据类型为字符串。

数据集分割

• train: 包含44839个样本，大小为1580430907.016字节。
• validation: 包含12049个样本，大小为374494166.834字节。
• test: 包含12114个样本，大小为478122660.264字节。

数据集大小

• 下载大小: 2619234407字节。
• 数据集大小: 2433047734.114字节。

配置

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

搜集汇总

背景与挑战

背景概述

该数据集是一个泰米尔语语音数据集，包含约69k条音频和对应的文本及音标转写，适用于语音识别和语音合成研究。数据已分为训练、验证和测试集，便于模型开发和评估。