kuanhuggingface/promptTTS_speech_tokenizer

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
dataset_info:
features:
- name: file_id
dtype: string
- name: instruction
dtype: string
- name: transcription
dtype: string
- name: src_speech_tokenizer_0
sequence: int64
- name: src_speech_tokenizer_1
sequence: int64
- name: src_speech_tokenizer_2
sequence: int64
- name: src_speech_tokenizer_3
sequence: int64
- name: src_speech_tokenizer_4
sequence: int64
- name: src_speech_tokenizer_5
sequence: int64
- name: src_speech_tokenizer_6
sequence: int64
- name: src_speech_tokenizer_7
sequence: int64
- name: tgt_speech_tokenizer_0
sequence: int64
- name: tgt_speech_tokenizer_1
sequence: int64
- name: tgt_speech_tokenizer_2
sequence: int64
- name: tgt_speech_tokenizer_3
sequence: int64
- name: tgt_speech_tokenizer_4
sequence: int64
- name: tgt_speech_tokenizer_5
sequence: int64
- name: tgt_speech_tokenizer_6
sequence: int64
- name: tgt_speech_tokenizer_7
sequence: int64
splits:
- name: train
num_bytes: 23208000922
num_examples: 550000
- name: validation
num_bytes: 88919854
num_examples: 2516
- name: test
num_bytes: 89144020
num_examples: 2516
download_size: 1020457470
dataset_size: 23386064796
---
# Dataset Card for "promptTTS_speech_tokenizer"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

配置项：
- 配置名称：default
数据文件：
- 拆分集：训练集（train），路径：data/train-*
- 拆分集：验证集（validation），路径：data/validation-*
- 拆分集：测试集（test），路径：data/test-*
数据集信息：
特征字段：
- 字段名：file_id（文件标识符），数据类型：字符串（string）
- 字段名：instruction（指令文本），数据类型：字符串（string）
- 字段名：transcription（转录文本），数据类型：字符串（string）
- 字段名：src_speech_tokenizer_0（源语音分词器序列0），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_1（源语音分词器序列1），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_2（源语音分词器序列2），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_3（源语音分词器序列3），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_4（源语音分词器序列4），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_5（源语音分词器序列5），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_6（源语音分词器序列6），数据类型：64位整数序列（sequence<int64>）
- 字段名：src_speech_tokenizer_7（源语音分词器序列7），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_0（目标语音分词器序列0），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_1（目标语音分词器序列1），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_2（目标语音分词器序列2），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_3（目标语音分词器序列3），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_4（目标语音分词器序列4），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_5（目标语音分词器序列5），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_6（目标语音分词器序列6），数据类型：64位整数序列（sequence<int64>）
- 字段名：tgt_speech_tokenizer_7（目标语音分词器序列7），数据类型：64位整数序列（sequence<int64>）
拆分集详情：
- 拆分集名称：训练集，字节占用：23208000922，样本数量：550000
- 拆分集名称：验证集，字节占用：88919854，样本数量：2516
- 拆分集名称：测试集，字节占用：89144020，样本数量：2516
下载总大小：1020457470
数据集总存储大小：23386064796
---
# 「promptTTS_speech_tokenizer」数据集卡片
[更多信息待补充](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

配置

• 默认配置：
  • 数据文件：
    • 训练集：data/train-*
    • 验证集：data/validation-*
    • 测试集：data/test-*

数据集信息

• 特征：

  • file_id：字符串类型
  • instruction：字符串类型
  • transcription：字符串类型
  • src_speech_tokenizer_0 至 src_speech_tokenizer_7：整数序列类型
  • tgt_speech_tokenizer_0 至 tgt_speech_tokenizer_7：整数序列类型

• 分割：

  • 训练集：
    • 字节数：23,208,000,922
    • 样本数：550,000
  • 验证集：
    • 字节数：88,919,854
    • 样本数：2,516
  • 测试集：
    • 字节数：89,144,020
    • 样本数：2,516

• 下载大小：1,020,457,470 字节

• 数据集大小：23,386,064,796 字节