jimregan/clarinpl_sejmsenat

ClarinPL Sejm/Senat Speech Corpus数据集包含了97小时的波兰议会演讲录音，这些录音发布在ClarinPL网站上。数据集中的每个数据点通常包括音频文件的路径（通常称为`file`）及其转录文本（称为`text`）。音频文件为波兰语。数据集的结构包括数据实例、数据字段和数据分割。数据实例示例展示了音频文件路径、ID、说话者ID和转录文本。数据字段包括音频文件路径、转录文本和说话者ID。数据分割显示训练集有6622个样本，测试集有130个样本。

原始信息汇总

数据集概述

数据集名称

• 名称: ClarinPL Sejm/Senat Speech Corpus

数据集描述

• 摘要: 该数据集包含97小时的议会演讲，这些演讲发布在ClarinPL网站上。
• 语言: 音频为波兰语。

数据集结构

• 数据实例: 每个数据点包括音频文件路径（通常称为file）和其转录文本（称为text）。
• 数据字段:
  • file: 下载的音频文件（.wav格式）的路径。
  • text: 音频文件的转录文本。
  • speaker_id: 音频发言者的ID。
• 数据分割:
  • 训练集: 6622个实例
  • 测试集: 130个实例

数据集创建

• 数据来源: 原始数据
• 注释创建者: 专家生成

使用数据集的考虑

• 社会影响: 需要更多信息
• 偏见讨论: 需要更多信息
• 其他已知限制: 需要更多信息

附加信息

• 许可证: 其他
• 多语言性: 单语种
• 大小类别: 1K<n<10K
• 任务类别: 其他, 自动语音识别