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-* ---数据集信息： 特征： - 名称：path，数据类型：字符串 - 名称：audio，数据类型：音频，采样率为48000 - 名称：sentence，数据类型：字符串 - 名称：语音编码（phonetic_codes），数据类型：字符串 - 名称：国际音标（IPA），数据类型：字符串 数据集划分： - 名称：训练集（train），字节大小：1580430907.016，样本数：44839 - 名称：验证集（validation），字节大小：374494166.834，样本数：12049 - 名称：测试集（test），字节大小：478122660.264，样本数：12114 下载总大小：2619234407，数据集总大小：2433047734.114 配置项： - 配置名称：default（默认配置），数据文件： - 训练集：data/train-* - 验证集：data/validation-* - 测试集：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。