theodorr/mls_10k_eng_encodec_only

该数据集包含音频和文本信息，具体特征包括音频时长、转录文本、音频标记和文本标记。数据集分为一个训练集，包含2,420,047个样本，总大小为89,478,989,324字节。下载大小为13,746,760,601字节。

原始信息汇总

数据集概述

数据集特征

• audio_duration: 数据类型为 float64。
• transcript: 数据类型为 string。
• audio_token: 数据类型为 int64，具有多层序列结构。
• text_token: 数据类型为 int64，具有序列结构。

数据集分割

• train:
  • 数据量: 89478989324 字节
  • 示例数量: 2420047

数据集大小

• 下载大小: 13746760601 字节
• 数据集总大小: 89478989324 字节

配置信息

• config_name: default
• data_files:
  • split: train
  • path: data/train-*