asr-malayalam/indicvoices-v1a

---
dataset_info:
features:
- name: audio_filepath
dtype: string
- name: text
dtype: string
- name: duration
dtype: float64
- name: lang
dtype: string
- name: samples
dtype: int64
- name: verbatim
dtype: string
- name: normalized
dtype: string
- name: speaker_id
dtype: string
- name: scenario
dtype: string
- name: task_name
dtype: string
- name: gender
dtype: string
- name: age_group
dtype: string
- name: job_type
dtype: string
- name: qualification
dtype: string
- name: area
dtype: string
- name: district
dtype: string
- name: state
dtype: string
- name: occupation
dtype: string
- name: verification_report
struct:
- name: bad_extempore_quality
dtype: bool
- name: book_read
dtype: bool
- name: chatter_intermittent
dtype: bool
- name: chatter_persistent
dtype: bool
- name: comments
dtype: string
- name: decision
dtype: string
- name: duplicate_speaker
dtype: bool
- name: echo_present
dtype: bool
- name: factual_inaccuracy
dtype: bool
- name: incorrect_text_prompt
dtype: bool
- name: long_pauses
dtype: bool
- name: low_volume
dtype: bool
- name: mispronunciation
dtype: bool
- name: noise_intermittent
dtype: bool
- name: noise_persistent
dtype: bool
- name: objectionable_content
dtype: bool
- name: off_topic
dtype: bool
- name: reading_prompt
dtype: bool
- name: repeating_content
dtype: bool
- name: skipping_words
dtype: bool
- name: sst
dtype: bool
- name: stretching
dtype: bool
- name: unclear_audio
dtype: bool
- name: wrong_age_group
dtype: bool
- name: wrong_gender
dtype: bool
- name: wrong_language
dtype: bool
- name: audio
struct:
- name: array
sequence: float32
- name: sampling_rate
dtype: int64
splits:
- name: train
num_bytes: 13743705254
num_examples: 27812
- name: val
num_bytes: 240626301
num_examples: 416
download_size: 6834140884
dataset_size: 13984331555
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: val
path: data/val-*
---

数据集信息：
特征字段：
- 名称：音频文件路径（audio_filepath），数据类型：字符串（string）
- 名称：转录文本（text），数据类型：字符串（string）
- 名称：音频时长（duration），数据类型：64位浮点数（float64）
- 名称：语言（lang），数据类型：字符串（string）
- 名称：采样点数（samples），数据类型：64位整数（int64）
- 名称：逐字原始转录文本（verbatim），数据类型：字符串（string）
- 名称：标准化转录文本（normalized），数据类型：字符串（string）
- 名称：说话人ID（speaker_id），数据类型：字符串（string）
- 名称：应用场景（scenario），数据类型：字符串（string）
- 名称：任务名称（task_name），数据类型：字符串（string）
- 名称：性别（gender），数据类型：字符串（string）
- 名称：年龄段（age_group），数据类型：字符串（string）
- 名称：职业类型（job_type），数据类型：字符串（string）
- 名称：学历资质（qualification），数据类型：字符串（string）
- 名称：区域（area），数据类型：字符串（string）
- 名称：区县（district），数据类型：字符串（string）
- 名称：省份/州（state），数据类型：字符串（string）
- 名称：职业（occupation），数据类型：字符串（string）
- 名称：验证报告（verification_report），结构体类型，包含子字段：
- 名称：即兴语音质量不佳（bad_extempore_quality），数据类型：布尔值（bool）
- 名称：朗读式语音（book_read），数据类型：布尔值（bool）
- 名称：间歇性闲聊（chatter_intermittent），数据类型：布尔值（bool）
- 名称：持续性闲聊（chatter_persistent），数据类型：布尔值（bool）
- 名称：审核备注（comments），数据类型：字符串（string）
- 名称：审核结论（decision），数据类型：字符串（string）
- 名称：重复说话人（duplicate_speaker），数据类型：布尔值（bool）
- 名称：存在回声干扰（echo_present），数据类型：布尔值（bool）
- 名称：事实表述不准确（factual_inaccuracy），数据类型：布尔值（bool）
- 名称：文本提示错误（incorrect_text_prompt），数据类型：布尔值（bool）
- 名称：存在过长停顿（long_pauses），数据类型：布尔值（bool）
- 名称：音量过低（low_volume），数据类型：布尔值（bool）
- 名称：发音错误（mispronunciation），数据类型：布尔值（bool）
- 名称：间歇性背景噪声（noise_intermittent），数据类型：布尔值（bool）
- 名称：持续性背景噪声（noise_persistent），数据类型：布尔值（bool）
- 名称：存在不良内容（objectionable_content），数据类型：布尔值（bool）
- 名称：内容偏离主题（off_topic），数据类型：布尔值（bool）
- 名称：按提示朗读（reading_prompt），数据类型：布尔值（bool）
- 名称：内容重复（repeating_content），数据类型：布尔值（bool）
- 名称：漏读单词（skipping_words），数据类型：布尔值（bool）
- 名称：sst，数据类型：布尔值（bool）
- 名称：语音拖腔（stretching），数据类型：布尔值（bool）
- 名称：音频清晰度不足（unclear_audio），数据类型：布尔值（bool）
- 名称：年龄段标注错误（wrong_age_group），数据类型：布尔值（bool）
- 名称：性别标注错误（wrong_gender），数据类型：布尔值（bool）
- 名称：语言标注错误（wrong_language），数据类型：布尔值（bool）
- 名称：音频数据（audio），结构体类型，包含子字段：
- 名称：音频数组（array），数据类型：32位浮点数序列（float32序列）
- 名称：采样率（sampling_rate），数据类型：64位整数（int64）
数据集划分：
- 划分名称：训练集（train），占用字节数：13743705254，样本数量：27812
- 划分名称：验证集（val），占用字节数：240626301，样本数量：416
总下载大小：6834140884，数据集总存储大小：13984331555
数据集配置：
- 配置名称：默认配置（default），数据文件路径：
- 训练集划分：对应数据路径为data/train-*
- 验证集划分：对应数据路径为data/val-*