TusharGoel/hindi-annotated-tts-clean

---
dataset_info:
config_name: hi
features:
- name: client_id
dtype: string
- name: path
dtype: string
- name: text
dtype: string
- name: up_votes
dtype: int64
- name: down_votes
dtype: int64
- name: age
dtype: string
- name: gender
dtype: string
- name: accent
dtype: string
- name: locale
dtype: string
- name: segment
dtype: string
- name: utterance_pitch_mean
dtype: float32
- name: utterance_pitch_std
dtype: float32
- name: snr
dtype: float64
- name: c50
dtype: float64
- name: speaking_rate
dtype: string
- name: phonemes
dtype: string
- name: pitch
dtype: string
- name: noise
dtype: string
- name: reverberation
dtype: string
- name: speech_monotony
dtype: string
splits:
- name: train
num_bytes: 1701977
num_examples: 2691
- name: test
num_bytes: 1313350
num_examples: 2095
- name: validation
num_bytes: 1273140
num_examples: 2020
- name: other
num_bytes: 1421604
num_examples: 2126
- name: invalidated
num_bytes: 308160
num_examples: 485
download_size: 1117347
dataset_size: 6018231
configs:
- config_name: hi
data_files:
- split: train
path: hi/train-*
- split: test
path: hi/test-*
- split: validation
path: hi/validation-*
- split: other
path: hi/other-*
- split: invalidated
path: hi/invalidated-*
---

数据集信息：
配置名称：hi
特征字段：
- 名称：客户端ID（client_id），数据类型：字符串
- 名称：文件路径（path），数据类型：字符串
- 名称：转录文本（text），数据类型：字符串
- 名称：正向投票数（up_votes），数据类型：64位整型（int64）
- 名称：负向投票数（down_votes），数据类型：64位整型
- 名称：年龄信息（age），数据类型：字符串
- 名称：性别信息（gender），数据类型：字符串
- 名称：口音信息（accent），数据类型：字符串
- 名称：语言区域标识（locale），数据类型：字符串
- 名称：语音片段（segment），数据类型：字符串
- 名称：语句基频均值（utterance_pitch_mean），数据类型：32位浮点型（float32）
- 名称：语句基频标准差（utterance_pitch_std），数据类型：32位浮点型（float32）
- 名称：信噪比（snr），数据类型：64位浮点型（float64）
- 名称：C50语音清晰度指标（c50），数据类型：64位浮点型（float64）
- 名称：语速（speaking_rate），数据类型：字符串
- 名称：音素序列（phonemes），数据类型：字符串
- 名称：基频序列（pitch），数据类型：字符串
- 名称：噪声信息（noise），数据类型：字符串
- 名称：混响信息（reverberation），数据类型：字符串
- 名称：语音单调度（speech_monotony），数据类型：字符串
数据集划分：
- 划分名称：训练集（train），字节数：1701977，样本数量：2691
- 划分名称：测试集（test），字节数：1313350，样本数量：2095
- 划分名称：验证集（validation），字节数：1273140，样本数量：2020
- 划分名称：其他集（other），字节数：1421604，样本数量：2126
- 划分名称：无效集（invalidated），字节数：308160，样本数量：485
下载总大小：1117347 字节
数据集总存储大小：6018231 字节
配置项：
- 配置名称：hi，数据文件路径：
- 训练集划分：文件路径为 hi/train-*
- 测试集划分：文件路径为 hi/test-*
- 验证集划分：文件路径为 hi/validation-*
- 其他集划分：文件路径为 hi/other-*
- 无效集划分：文件路径为 hi/invalidated-*

原始信息汇总

数据集概述

数据集特征

• client_id: 字符串类型
• path: 字符串类型
• text: 字符串类型
• up_votes: 整数类型（int64）
• down_votes: 整数类型（int64）
• age: 字符串类型
• gender: 字符串类型
• accent: 字符串类型
• locale: 字符串类型
• segment: 字符串类型
• utterance_pitch_mean: 浮点数类型（float32）
• utterance_pitch_std: 浮点数类型（float32）
• snr: 浮点数类型（float64）
• c50: 浮点数类型（float64）
• speaking_rate: 字符串类型
• phonemes: 字符串类型
• pitch: 字符串类型
• noise: 字符串类型
• reverberation: 字符串类型
• speech_monotony: 字符串类型

数据集分割

• train: 2691个样本，占用1701977字节
• test: 2095个样本，占用1313350字节
• validation: 2020个样本，占用1273140字节
• other: 2126个样本，占用1421604字节
• invalidated: 485个样本，占用308160字节

数据集大小

• 下载大小: 1117347字节
• 数据集总大小: 6018231字节