equal-ai/fleurs_south_asia_mini

--- dataset_info: features: - name: id dtype: int32 - name: num_samples dtype: int32 - name: path dtype: string - name: audio dtype: audio: sampling_rate: 16000 - name: transcription dtype: string - name: raw_transcription dtype: string - name: gender dtype: class_label: names: '0': male '1': female '2': other - name: lang_id dtype: class_label: names: '0': af_za '1': am_et '2': ar_eg '3': as_in '4': ast_es '5': az_az '6': be_by '7': bg_bg '8': bn_in '9': bs_ba '10': ca_es '11': ceb_ph '12': ckb_iq '13': cmn_hans_cn '14': cs_cz '15': cy_gb '16': da_dk '17': de_de '18': el_gr '19': en_us '20': es_419 '21': et_ee '22': fa_ir '23': ff_sn '24': fi_fi '25': fil_ph '26': fr_fr '27': ga_ie '28': gl_es '29': gu_in '30': ha_ng '31': he_il '32': hi_in '33': hr_hr '34': hu_hu '35': hy_am '36': id_id '37': ig_ng '38': is_is '39': it_it '40': ja_jp '41': jv_id '42': ka_ge '43': kam_ke '44': kea_cv '45': kk_kz '46': km_kh '47': kn_in '48': ko_kr '49': ky_kg '50': lb_lu '51': lg_ug '52': ln_cd '53': lo_la '54': lt_lt '55': luo_ke '56': lv_lv '57': mi_nz '58': mk_mk '59': ml_in '60': mn_mn '61': mr_in '62': ms_my '63': mt_mt '64': my_mm '65': nb_no '66': ne_np '67': nl_nl '68': nso_za '69': ny_mw '70': oc_fr '71': om_et '72': or_in '73': pa_in '74': pl_pl '75': ps_af '76': pt_br '77': ro_ro '78': ru_ru '79': sd_in '80': sk_sk '81': sl_si '82': sn_zw '83': so_so '84': sr_rs '85': sv_se '86': sw_ke '87': ta_in '88': te_in '89': tg_tj '90': th_th '91': tr_tr '92': uk_ua '93': umb_ao '94': ur_pk '95': uz_uz '96': vi_vn '97': wo_sn '98': xh_za '99': yo_ng '100': yue_hant_hk '101': zu_za '102': all - name: language dtype: string - name: lang_group_id dtype: class_label: names: '0': western_european_we '1': eastern_european_ee '2': central_asia_middle_north_african_cmn '3': sub_saharan_african_ssa '4': south_asian_sa '5': south_east_asian_sea '6': chinese_japanase_korean_cjk splits: - name: train num_bytes: 9593315086.65 num_examples: 12115 - name: validation num_bytes: 1347809764.522 num_examples: 1713 - name: test num_bytes: 2770147416.758 num_examples: 3277 download_size: 13611036377 dataset_size: 13711272267.929998 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： 1. 特征字段： - `id`：数据唯一标识，数据类型为32位整数（int32） - `num_samples`：样本总数，数据类型为32位整数（int32） - `path`：数据文件路径，数据类型为字符串（string） - `audio`：音频数据，其参数为：采样率（sampling_rate）16000Hz - `transcription`：标准化转录文本，数据类型为字符串（string） - `raw_transcription`：原始转录文本，数据类型为字符串（string） - `gender`：性别类别标签（class_label），类别映射为：`0`：男性（male），`1`：女性（female），`2`：其他（other） - `lang_id`：语言ID类别标签（class_label），类别编号与对应语言标识如下： `0`: 南非荷兰语（af_za），`1`: 阿姆哈拉语（am_et），`2`: 埃及阿拉伯语（ar_eg），`3`: 阿萨姆语（as_in），`4`: 阿斯图里亚斯语（ast_es），`5`: 阿塞拜疆语（az_az），`6`: 白俄罗斯语（be_by），`7`: 保加利亚语（bg_bg），`8`: 孟加拉语（bn_in），`9`: 波斯尼亚语（bs_ba），`10`: 加泰罗尼亚语（ca_es），`11`: 宿务语（ceb_ph），`12`: 索拉尼库尔德语（ckb_iq），`13`: 简体中文普通话（cmn_hans_cn），`14`: 捷克语（cs_cz），`15`: 威尔士语（cy_gb），`16`: 丹麦语（da_dk），`17`: 德语（de_de），`18`: 希腊语（el_gr），`19`: 美式英语（en_us），`20`: 拉丁美洲西班牙语（es_419），`21`: 爱沙尼亚语（et_ee），`22`: 波斯语（fa_ir），`23`: 富拉语（ff_sn），`24`: 芬兰语（fi_fi），`25`: 他加禄语（fil_ph），`26`: 法语（fr_fr），`27`: 爱尔兰语（ga_ie），`28`: 加利西亚语（gl_es），`29`: 古吉拉特语（gu_in），`30`: 豪萨语（ha_ng），`31`: 希伯来语（he_il），`32`: 印地语（hi_in），`33`: 克罗地亚语（hr_hr），`34`: 匈牙利语（hu_hu），`35`: 亚美尼亚语（hy_am），`36`: 印尼语（id_id），`37`: 伊博语（ig_ng），`38`: 冰岛语（is_is），`39`: 意大利语（it_it），`40`: 日语（ja_jp），`41`: 爪哇语（jv_id），`42`: 格鲁吉亚语（ka_ge），`43`: 卡姆巴语（kam_ke），`44`: 卡布列语（kea_cv），`45`: 哈萨克语（kk_kz），`46`: 高棉语（km_kh），`47`: 卡纳达语（kn_in），`48`: 韩语（ko_kr），`49`: 吉尔吉斯语（ky_kg），`50`: 卢森堡语（lb_lu），`51`: 卢干达语（lg_ug），`52`: 林加拉语（ln_cd），`53`: 老挝语（lo_la），`54`: 立陶宛语（lt_lt），`55`: 卢奥语（luo_ke），`56`: 拉脱维亚语（lv_lv），`57`: 毛利语（mi_nz），`58`: 马其顿语（mk_mk），`59`: 马拉雅拉姆语（ml_in），`60`: 蒙古语（mn_mn），`61`: 马拉地语（mr_in），`62`: 马来语（ms_my），`63`: 马耳他语（mt_mt），`64`: 缅甸语（my_mm），`65`: 挪威博克马尔语（nb_no），`66`: 尼泊尔语（ne_np），`67`: 荷兰语（nl_nl），`68`: 北索托语（nso_za），`69`: 齐切瓦语（ny_mw），`70`: 奥克西坦语（oc_fr），`71`: 奥罗莫语（om_et），`72`: 奥里亚语（or_in），`73`: 旁遮普语（pa_in），`74`: 波兰语（pl_pl），`75`: 普什图语（ps_af），`76`: 巴西葡萄牙语（pt_br），`77`: 罗马尼亚语（ro_ro），`78`: 俄语（ru_ru），`79`: 信德语（sd_in），`80`: 斯洛伐克语（sk_sk），`81`: 斯洛文尼亚语（sl_si），`82`: 修纳语（sn_zw），`83`: 索马里语（so_so），`84`: 塞尔维亚语（sr_rs），`85`: 瑞典语（sv_se），`86`: 斯瓦希里语（sw_ke），`87`: 泰米尔语（ta_in），`88`: 泰卢固语（te_in），`89`: 塔吉克语（tg_tj），`90`: 泰语（th_th），`91`: 土耳其语（tr_tr），`92`: 乌克兰语（uk_ua），`93`: 翁本杜语（umb_ao），`94`: 乌尔都语（ur_pk），`95`: 乌兹别克语（uz_uz），`96`: 越南语（vi_vn），`97`: 沃洛夫语（wo_sn），`98`: 科萨语（xh_za），`99`: 约鲁巴语（yo_ng），`100`: 香港繁体粤语（yue_hant_hk），`101`: 祖鲁语（zu_za），`102`: 全语言（all） - `language`：语言名称，数据类型为字符串（string） - `lang_group_id`：语言组ID类别标签（class_label），类别映射为： `0`: 西欧语系（western_european_we），`1`: 东欧语系（eastern_european_ee），`2`: 中亚、中东及北非与普通话语系（central_asia_middle_north_african_cmn），`3`: 撒哈拉以南非洲语系（sub_saharan_african_ssa），`4`: 南亚语系（south_asian_sa），`5`: 东南亚语系（south_east_asian_sea），`6`: 中日韩语系（chinese_japanase_korean_cjk） 2. 数据集划分： - 训练集（train）：数据体量为9593315086.65字节，共包含12115条样本 - 验证集（validation）：数据体量为1347809764.522字节，共包含1713条样本 - 测试集（test）：数据体量为2770147416.758字节，共包含3277条样本 本次数据集的下载总大小为13611036377字节，总存储大小为13711272267.929998字节。 3. 数据集配置： 默认配置（default）对应的数据文件路径如下： - 训练集：匹配`data/train-*`路径下的所有数据文件 - 验证集：匹配`data/validation-*`路径下的所有数据文件 - 测试集：匹配`data/test-*`路径下的所有数据文件