Zarakun/speakers_ua_test

这是一个多说话者带噪声的语音数据集，每个样本最多30秒。每个样本包含说话者数量、话语数据和音频波形等信息。话语数据进一步细分为开始位置、结束位置、说话者标识符、转录文本和采样率。

原始信息汇总

数据集概述

数据集描述

这是一个包含多说话者语音及噪声的数据集，每个样本时长最多为30秒。

数据加载脚本

python data_files = {"train": "data/<your_subset>.parquet"} data = load_dataset("Zarakun/speakers_ua_test", data_files=data_files)

加载后的数据结构如下： python DatasetDict({ test: Dataset({ features: [num_speakers, utter, audio], num_rows: <some_number> }) })

数据集结构

每个样本包含以下特征：

• num_speakers：说话者数量
• utter：话语数据列表
• audio：音频波形

utter 列表中的每个条目是一个字典，包含以下结构：

• start：说话者音频在 audio 中的起始位置
• end：说话者音频在 audio 中的结束位置
• file_id：说话者的标识符
• sentence：转录文本
• rate：采样率，所有样本中应保持一致

搜集汇总

背景与挑战

背景概述

该数据集是一个多说话者语音数据集，包含噪声，每个音频样本最长30秒。数据集提供了音频波形和对应的文本转录，适用于语音处理任务，如说话者识别或语音识别。数据以parquet格式存储，总大小为13.6 GB，包含10行示例，结构清晰，包括说话者数量、话语列表和音频波形等特征。