Indic-LLM-Labs/Fleurs-Kn

该数据集是Fleurs数据集的过滤版本，仅包含卡纳达语（Kannada）的样本。数据集包含2283个训练样本、368个验证样本和838个测试样本。数据集的字段包括音频样本的ID、音频文件的路径、音频对象、原始转录、转录文本、性别、语言ID和语言组ID。数据集主要用于自动语音识别任务。

原始信息汇总

数据集概述

数据集配置

• 默认配置：
  • 训练集：路径为 data/train-*
  • 验证集：路径为 data/validation-*
  • 测试集：路径为 data/test-*

数据集信息

• 特征：
  • id：类型为 int32
  • num_samples：类型为 int32
  • path：类型为 string
  • audio：包含采样率为 16000 的音频数据
  • transcription：类型为 string
  • raw_transcription：类型为 string
  • gender：类别标签，包括 male、female 和 other
  • language：类型为 string
  • lang_group_id

数据集划分

• 训练集：
  • 字节数：1910030202.243
  • 样本数：2283
• 验证集：
  • 字节数：299915580
  • 样本数：368
• 测试集：
  • 字节数：732875657
  • 样本数：838

数据集大小

• 下载大小：2915269155 字节
• 数据集大小：2942821439.243 字节

许可证

• MIT 许可证

任务类别

• 自动语音识别

语言

• 卡纳达语

数据样本

python {id: 1053, num_samples: 226560, path: /home/ravi.naik/.cache/huggingface/datasets/downloads/extracted/e7c8b501d4e6892673b6dc291d42de48e7987b0d2aa6471066a671f686224ed1/10000267636955490843.wav, audio: {path: train/10000267636955490843.wav, array: array([ 0. , 0. , 0. , ..., -0.00100893, -0.00109982, -0.00118315]), sampling_rate: 16000}, transcription: ವಿದೇಶದಲ್ಲಿ ವಾಸಿಸಿದ ನಂತರ ನೀವು ನಿಮ್ಮಊರಿಗೆ ಮರಳಿದಾಗ ನೀವು ಹೊಸ ಸಂಸ್ಕೃತಿಗೆ ಹೊಂದಿಕೊಂಡಿದ್ದೀರಿ ಮತ್ತು ನಿಮ್ಮ ಕುಟುಂಬ ಸಂಸ್ಕೃತಿಯಿಂದ ಕೆಲವು ಅಭ್ಯಾಸಗಳನ್ನು ಕಳೆದುಕೊಂಡಿದ್ದೀರಿ, raw_transcription: ವಿದೇಶದಲ್ಲಿ ವಾಸಿಸಿದ ನಂತರ ನೀವು ನಿಮ್ಮಊರಿಗೆ ಮರಳಿದಾಗ, ನೀವು ಹೊಸ ಸಂಸ್ಕೃತಿಗೆ ಹೊಂದಿಕೊಂಡಿದ್ದೀರಿ ಮತ್ತು ನಿಮ್ಮ ಕುಟುಂಬ ಸಂಸ್ಕೃತಿಯಿಂದ ಕೆಲವು ಅಭ್ಯಾಸಗಳನ್ನು ಕಳೆದುಕೊಂಡಿದ್ದೀರಿ., gender: 1, lang_id: 47, language: Kannada, lang_group_id: 4}

数据字段

• id (int)：音频样本的ID
• num_samples (int)：浮点值的数量
• path (str)：音频文件的路径
• audio (dict)：包含加载的音频数组、采样率和音频路径的音频对象
• raw_transcription (str)：音频文件的非标准化转录
• transcription (str)：音频文件的转录
• gender (int)：性别的类别ID
• lang_id (int)：语言的类别ID
• lang_group_id (int)：语言组的类别ID