jp1924/MeetingSpeech

该数据集包含多个特征，如音频、句子、原始形式、开始时间、结束时间、术语、环境、是否为成语、韩文到英文的转换、韩文到数字的转换、说话者信息和元数据等。数据集分为训练集和验证集，分别包含3446200和374680个样本。

原始信息汇总

数据集概述

数据集特征

• audio: 采样率为16000的音频数据。
• id: 字符串类型。
• sentence: 字符串类型。
• original_form: 字符串类型。
• start: 浮点数类型。
• end: 浮点数类型。
• term: 字符串类型。
• environment: 字符串类型。
• isIdiom: 布尔类型。
• hangeulToEnglish: 列表类型，包含id（整数16位）、hangeul（字符串）、english（字符串）、begin（整数16位）、end（整数16位）。
• hangeulToNumber: 列表类型，包含id（整数16位）、hangeul（字符串）、number（字符串）、begin（整数16位）、end（整数16位）。
• speaker: 结构体类型，包含id（字符串）、name（字符串）、age（字符串）、occupation（字符串）、role（字符串）、sex（字符串）。
• metadata: 结构体类型，包含多个字段，如title、creator、distributor、year等，均为字符串或整数16位类型。

数据集分割

• train: 包含3446200个示例，总大小为649259099466字节。
• validation: 包含374680个示例，总大小为75950798309字节。

数据集大小

• 下载大小: 715527121692字节。
• 数据集总大小: 725209897775.0字节。

配置文件

• default: 包含训练和验证数据的路径配置。
  • 训练数据路径: data/train-*
  • 验证数据路径: data/validation-*

搜集汇总

背景与挑战

背景概述

MeetingSpeech是一个用于自动语音识别任务的韩语数据集，包含音频和文本模态，数据以parquet格式存储，规模在100万到1000万条记录之间。该数据集总大小为716 GB，但访问需要同意特定条件，且目前没有详细的文档说明。