czyzi0/the-mc-speech-dataset

MC Speech数据集是一个公共领域的语音数据集，包含24018个由单个说话者用波兰语朗读的句子的短音频片段。每个音频片段都附有转录文本，音频片段的总长度超过22小时。文本和音频均属于公共领域，音频录制于2021-22年，作为作者硕士论文的一部分。数据集的特征包括音频、转录文本和ID，数据集的分割为训练集，包含24018个样本。

原始信息汇总

数据集概述

基本信息

• 语言: 波兰语
• 许可证: CC0 1.0
• 数据集大小分类: 10K<n<100K
• 任务分类:
  • 文本到语音
  • 自动语音识别
• 数据集名称: The MC Speech Dataset

数据集详情

• 特征:
  • 音频:
    • 采样率: 44100
  • 转录文本: 字符串类型
  • ID: 字符串类型
• 分割:
  • 训练集:
    • 字节数: 6985316587.668
    • 样本数: 24018
• 下载大小: 6174661195
• 数据集大小: 6985316587.668

配置

• 默认配置:
  • 数据文件:
    • 训练集路径: data/train-*

描述

• 该数据集包含24018个短音频片段，由单个说话者朗读波兰语句子。每个片段均提供转录文本。总时长超过22小时。