1rsh/gujarati-interspeech

Gujarati Interspeech数据集包含音频和文本两种特征，分为训练集和验证集两个部分。训练集包含22,807个样本，验证集包含3,075个样本。数据集的总下载大小为4,891,973,487字节，总大小为5,318,387,009.042001字节。数据集的配置文件中指定了训练集和验证集的文件路径。数据集的许可证为Apache 2.0，主要语言为古吉拉特语（Gujarati）。数据集的具体细节包括：大多数音频条目时长小于5秒，适合使用Whisper模型进行准确的时间戳预测，且音频似乎由单人录制。

原始信息汇总

Gujarati Interspeech 数据集概述

数据集信息

• 特征:
  • audio: 音频数据
  • text: 字符串文本
• 分割:
  • train: 训练集，包含 22807 个样本，大小为 4739686436.192 字节
  • validation: 验证集，包含 3075 个样本，大小为 578700572.85 字节
• 下载大小: 4891973487 字节
• 数据集大小: 5318387009.042001 字节

配置

• 默认配置:
  • train: 数据路径为 data/train-*
  • validation: 数据路径为 data/validation-*

许可证

• apache-2.0

语言

• gu (古吉拉特语)

数据集详情

• 古吉拉特语数据: 大多数条目时长小于5秒，适合使用Whisper模型进行准确的时间戳预测。
• 音频特征: 音频似乎由单个人朗读。