EtMmohammedHafsati/darija_tts_clean_metadata_full

---
dataset_info:
features:
- name: audio
dtype:
audio:
decode: false
- name: text
dtype: string
- name: duration_sec
dtype: float64
- name: num_tokens
dtype: int64
- name: median_tokens_reference
dtype: float64
- name: token_count_outlier
dtype: bool
- name: remove_short_audio_long_text
dtype: bool
- name: remove_token_outlier
dtype: bool
- name: num_speakers
dtype: int64
- name: multiple_speakers
dtype: bool
- name: speaker_turns
dtype: int64
- name: turns_per_minute
dtype: float64
- name: dominant_speaker_ratio
dtype: float64
- name: second_speaker_ratio
dtype: float64
- name: non_dominant_speech_ratio
dtype: float64
- name: speaker_balance_score
dtype: float64
- name: speaker_entropy
dtype: float64
- name: overlap_speech
dtype: bool
- name: overlap_duration_sec
dtype: float64
- name: overlap_ratio
dtype: float64
- name: num_overlap_regions
dtype: int64
- name: mean_overlap_region_sec
dtype: float64
- name: max_overlap_region_sec
dtype: float64
- name: max_concurrent_speakers
dtype: int64
- name: diarization_empty_output
dtype: bool
- name: asr_usability_score
dtype: float64
- name: asr_usable_single_speaker
dtype: bool
- name: source_split_original
dtype: string
- name: metadata_generated_by
dtype: string
- name: processing_error
dtype: bool
splits:
- name: train
num_bytes: 2019255987
num_examples: 14550
- name: validation
num_bytes: 252441693
num_examples: 1819
- name: test
num_bytes: 252441693
num_examples: 1819
download_size: 2694417381
dataset_size: 2524139373
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

数据集信息：
特征字段：
- 名称：音频 (audio)，数据类型：音频格式，解码参数设为false
- 名称：文本 (text)，数据类型：字符串
- 名称：时长 (duration_sec)，数据类型：64位浮点数
- 名称：Token 数量 (num_tokens)，数据类型：64位整型
- 名称：参考Token中位数 (median_tokens_reference)，数据类型：64位浮点数
- 名称：Token 数量异常值标记 (token_count_outlier)，数据类型：布尔型
- 名称：短音频长文本过滤标记 (remove_short_audio_long_text)，数据类型：布尔型
- 名称：Token 异常值过滤标记 (remove_token_outlier)，数据类型：布尔型
- 名称：说话者数量 (num_speakers)，数据类型：64位整型
- 名称：多说话者标记 (multiple_speakers)，数据类型：布尔型
- 名称：说话轮次 (speaker_turns)，数据类型：64位整型
- 名称：每分钟说话轮次 (turns_per_minute)，数据类型：64位浮点数
- 名称：主说话者占比 (dominant_speaker_ratio)，数据类型：64位浮点数
- 名称：次要说话者占比 (second_speaker_ratio)，数据类型：64位浮点数
- 名称：非主说话语音占比 (non_dominant_speech_ratio)，数据类型：64位浮点数
- 名称：说话者平衡度得分 (speaker_balance_score)，数据类型：64位浮点数
- 名称：说话者熵值 (speaker_entropy)，数据类型：64位浮点数
- 名称：语音重叠标记 (overlap_speech)，数据类型：布尔型
- 名称：语音重叠时长 (overlap_duration_sec)，数据类型：64位浮点数
- 名称：语音重叠占比 (overlap_ratio)，数据类型：64位浮点数
- 名称：语音重叠区域数量 (num_overlap_regions)，数据类型：64位整型
- 名称：平均重叠区域时长 (mean_overlap_region_sec)，数据类型：64位浮点数
- 名称：最大重叠区域时长 (max_overlap_region_sec)，数据类型：64位浮点数
- 名称：最大并发说话者数 (max_concurrent_speakers)，数据类型：64位整型
- 名称：说话人 diarization 空输出标记 (diarization_empty_output)，数据类型：布尔型
- 名称：自动语音识别 (ASR) 可用性得分 (asr_usability_score)，数据类型：64位浮点数
- 名称：单说话者场景ASR可用标记 (asr_usable_single_speaker)，数据类型：布尔型
- 名称：原始源拆分 (source_split_original)，数据类型：字符串
- 名称：元数据生成方 (metadata_generated_by)，数据类型：字符串
- 名称：处理错误标记 (processing_error)，数据类型：布尔型
划分集：
- 名称：训练集 (train)，字节数：2019255987，样本数量：14550
- 名称：验证集 (validation)，字节数：252441693，样本数量：1819
- 名称：测试集 (test)，字节数：252441693，样本数量：1819
下载总大小：2694417381
数据集总大小：2524139373
配置项：
- 配置名称：默认配置 (default)，数据文件：
- 训练集：路径为 data/train-*
- 验证集：路径为 data/validation-*
- 测试集：路径为 data/test-*