djsamseng/khmer-speech-large-english-google-translations

该数据集包含高棉语（Khmer）的音频记录，这些记录来自不同的说话者和背景噪音。英语转录是通过Google Translate从高棉语标签转录而来。数据集基于[seanghay/khmer-speech-large](https://huggingface.co/datasets/seanghay/khmer-speech-large)构建，分为训练集和测试集，分别包含18,000和1,850条记录。数据集可用于语音到文本和翻译任务。

原始信息汇总

数据集概述

基本信息

• 名称: khmer-speech-large-english-google-translation
• 标签: audio, khmer, english, speech-to-text, translation

数据集特征

• 音频 (audio): 音频数据类型
• 高棉语 (kh): 字符串数据类型
• 英语 (en): 字符串数据类型

数据分割

• 训练集 (train): 18000个样本，占用2387180819字节
• 测试集 (test): 1850个样本，占用239838689.75字节

下载与数据集大小

• 下载大小: 2381427254字节
• 数据集总大小: 2627019508.75字节

配置

• 默认配置 (default):
  • 训练集路径: data/train-*
  • 测试集路径: data/test-*

语言

• 自然语言处理 (NLP): 高棉语, 英语

使用示例

python from datasets import load_dataset

ds = load_dataset("djsamseng/khmer-speech-large-english-google-translations") ds["train"] # 前18,000条记录 ds["test"] # 剩余1,900条记录

ds["train"][0]["audio"] # 音频数据示例 ds["train"][0]["kh"] # 高棉语文本示例 ds["train"][0]["en"] # 英语文本示例