theodorr/librilight_medium

该数据集包含多种特征，包括文本、对齐信息、说话者、书籍、音频令牌、对齐令牌、文本令牌和音频持续时间。数据集主要分为训练集，包含763,341个样本，总大小为88,217,493,434字节。下载大小为15,126,644,868字节。数据集的配置文件指定了默认配置，数据文件路径为data/train-*。

This dataset includes various features such as text, alignment information, speaker, book, audio tokens, alignment tokens, text tokens, and audio duration. The dataset is primarily divided into a training set containing 763,341 samples with a total size of 88,217,493,434 bytes. The download size is 15,126,644,868 bytes. The datasets configuration file specifies the default configuration, with data file paths at data/train-*.

原始信息汇总

数据集概述

数据集特征

• text：文本内容，数据类型为字符串。
• align：对齐信息，数据类型为字符串序列。
• speaker：发言人标识，数据类型为字符串。
• book：书籍标识，数据类型为字符串。
• audio_token：音频标记，数据类型为整数64序列。
• align_token：对齐标记，数据类型为字符串序列。
• text_token：文本标记，数据类型为整数64。

数据集划分

• train：训练集，包含763341个样本，总大小为88694122696字节。

数据集大小

• 下载大小：14649769024字节。
• 数据集总大小：88694122696字节。