blueTuberose/swahili-speech-400hr

---
dataset_info:
features:
- name: audio_id
dtype: string
- name: voice_creator_id
dtype: string
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: audio_duration
dtype: float64
- name: gender
dtype: string
- name: age_group
dtype: string
- name: category
dtype: string
- name: subcategory
dtype: string
- name: location
dtype: string
- name: transcription
dtype: string
- name: transcription_with_tags
dtype: string
splits:
- name: train
num_bytes: 43583964712.972
num_examples: 64541
- name: validation
num_bytes: 2592262640.12
num_examples: 3989
download_size: 43972117303
dataset_size: 46176227353.092
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
license: cc-by-4.0
task_categories:
- automatic-speech-recognition
language:
- sw
size_categories:
- 10K<n<100K
---

数据集信息：
特征列：
- 名称：音频ID（audio_id），数据类型：字符串型
- 名称：语音创作者ID（voice_creator_id），数据类型：字符串型
- 名称：音频（audio），数据类型：音频格式，采样率为16000Hz
- 名称：音频时长（audio_duration），数据类型：64位浮点型（float64）
- 名称：性别（gender），数据类型：字符串型
- 名称：年龄段（age_group），数据类型：字符串型
- 名称：类别（category），数据类型：字符串型
- 名称：子类别（subcategory），数据类型：字符串型
- 名称：采集地点（location），数据类型：字符串型
- 名称：语音转录文本（transcription），数据类型：字符串型
- 名称：带标签的语音转录文本（transcription_with_tags），数据类型：字符串型
数据集划分：
- 划分名称：训练集（train），字节占用量：43583964712.972，样本数量：64541
- 划分名称：验证集（validation），字节占用量：2592262640.12，样本数量：3989
下载总大小：43972117303 字节
数据集总占用大小：46176227353.092 字节
数据集配置：
- 配置名称：默认配置（default），数据文件路径：
- 训练集划分：路径为data/train-*
- 验证集划分：路径为data/validation-*
开源许可协议：CC BY 4.0（知识共享署名4.0协议）
任务类型：自动语音识别（automatic-speech-recognition）
支持语言：斯瓦希里语（Swahili，代码sw）
样本规模分类：10000 < 样本数量 < 100000