SyedAunZaidi/cv-corpus-11.0-ur

---
dataset_info:
features:
- name: audio
dtype: audio
- name: client_id
dtype: string
- name: path
dtype: string
- name: sentence
dtype: string
- name: up_votes
dtype: int64
- name: down_votes
dtype: int64
- name: age
dtype: string
- name: gender
dtype: string
- name: accents
dtype: string
- name: locale
dtype: string
- name: segment
dtype: float64
- name: config
dtype: string
splits:
- name: train
num_bytes: 108804887.613
num_examples: 4129
- name: test
num_bytes: 80618639.144
num_examples: 3267
- name: validation
num_bytes: 80618639.144
num_examples: 3267
download_size: 270050858
dataset_size: 270042165.901
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
- split: validation
path: data/validation-*
---

数据集信息：
特征列表：
- 名称：音频（audio），数据类型：音频
- 名称：客户端ID（client_id），数据类型：字符串
- 名称：路径（path），数据类型：字符串
- 名称：语句（sentence），数据类型：字符串
- 名称：赞成票（up_votes），数据类型：64位整数
- 名称：反对票（down_votes），数据类型：64位整数
- 名称：年龄（age），数据类型：字符串
- 名称：性别（gender），数据类型：字符串
- 名称：口音（accents），数据类型：字符串
- 名称：区域设置（locale），数据类型：字符串
- 名称：片段（segment），数据类型：64位浮点数
- 名称：配置（config），数据类型：字符串
数据集划分：
- 名称：训练集（train），字节数：108804887.613，样本数量：4129
- 名称：测试集（test），字节数：80618639.144，样本数量：3267
- 名称：验证集（validation），字节数：80618639.144，样本数量：3267
下载总大小：270050858
数据集总存储大小：270042165.901
配置信息：
- 配置名称：默认配置（default），数据文件映射：
- 训练集划分：对应路径为data/train-*
- 测试集划分：对应路径为data/test-*
- 验证集划分：对应路径为data/validation-*

原始信息汇总

数据集概述

数据特征

• audio: 音频数据
• client_id: 字符串类型，客户端ID
• path: 字符串类型，文件路径
• sentence: 字符串类型，句子内容
• up_votes: 整数类型，赞同票数
• down_votes: 整数类型，反对票数
• age: 字符串类型，年龄
• gender: 字符串类型，性别
• accents: 字符串类型，口音
• locale: 字符串类型，地区
• segment: 浮点数类型，段落
• config: 字符串类型，配置

数据分割

• train: 训练集，包含4129个样本，总字节数为108804887.613
• test: 测试集，包含3267个样本，总字节数为80618639.144
• validation: 验证集，包含3267个样本，总字节数为80618639.144

数据大小

• 下载大小: 270050858字节
• 数据集大小: 270042165.901字节

配置

• default: 默认配置
  • train: 路径为data/train-*
  • test: 路径为data/test-*
  • validation: 路径为data/validation-*

搜集汇总

背景与挑战

背景概述

该数据集是一个乌尔都语语音语料库，包含约10,663条音频和对应文本数据，分为训练、验证和测试集。数据涵盖不同年龄和性别的发音，适用于语音识别和自然语言处理任务。