yijingwu/HeySQuAD_human

HeySQuAD是一个语音问答数据集，包含音频、转录文本、问题、上下文、答案、是否不可能、ID和可能的答案等特征。数据集分为训练集和验证集，训练集包含71990个示例，验证集包含4158个示例。该数据集的总下载大小为14616752976字节，总数据集大小为16414964749.935999字节。

原始信息汇总

数据集概述

许可证

• CC BY 4.0

数据集信息

特征

• audio: 音频数据
• transcription: 字符串，转录文本
• question: 字符串，问题
• context: 字符串，上下文
• answers: 列表，包含以下子特征：
  • answer_start: 整数，答案开始位置
  • text: 字符串，答案文本
• is_impossible: 布尔值，是否不可能回答
• id: 字符串，唯一标识符
• plausible_answers: 列表，包含以下子特征：
  • answer_start: 整数，可能答案开始位置
  • text: 字符串，可能答案文本

数据分割

• train: 训练集，包含71990个样本，大小为15547759456.9字节
• validation: 验证集，包含4158个样本，大小为867205293.036字节

数据集大小

• 下载大小: 14616752976字节
• 数据集总大小: 16414964749.935999字节

配置

• default: 默认配置，包含以下数据文件：
  • train: 路径为data/train-*
  • validation: 路径为data/validation-*

搜集汇总

背景与挑战

背景概述

HeySQuAD_human是一个语音问答数据集，包含约76,148条数据，结合音频和文本模态，基于SQuAD格式构建。该数据集用于支持语音问答任务的研究，涉及语音转录、问题理解和答案提取，适用于训练和评估多模态AI模型。