farukclk/voxpopuli-en-accented-split

---
dataset_info:
features:
- name: audio_id
dtype: string
- name: language
dtype:
class_label:
names:
'0': en
'1': de
'2': fr
'3': es
'4': pl
'5': it
'6': ro
'7': hu
'8': cs
'9': nl
'10': fi
'11': hr
'12': sk
'13': sl
'14': et
'15': lt
'16': en_accented
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: raw_text
dtype: string
- name: normalized_text
dtype: string
- name: gender
dtype: string
- name: speaker_id
dtype: string
- name: is_gold_transcript
dtype: bool
- name: accent
dtype: string
splits:
- name: train
num_bytes: 4834785322.945902
num_examples: 6709
- name: test
num_bytes: 1225403536.5890985
num_examples: 1678
download_size: 4949533515
dataset_size: 6060188859.535
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

本数据集信息如下：

## 特征字段
该数据集包含以下特征项：
1. audio_id（音频ID）：数据类型为字符串，用于唯一标识单条音频数据。
2. language（语言）：分类标签类型字段，类别与索引的对应关系为：0→英语（en）、1→德语（de）、2→法语（fr）、3→西班牙语（es）、4→波兰语（pl）、5→意大利语（it）、6→罗马尼亚语（ro）、7→匈牙利语（hu）、8→捷克语（cs）、9→荷兰语（nl）、10→芬兰语（fi）、11→克罗地亚语（hr）、12→斯洛伐克语（sk）、13→斯洛文尼亚语（sl）、14→爱沙尼亚语（et）、15→立陶宛语（lt）、16→带口音英语（en_accented）。
3. audio（音频）：音频数据类型，采样率为16000Hz。
4. raw_text（原始文本）：未经标准化处理的原始转录文本，数据类型为字符串。
5. normalized_text（归一化文本）：经过标准化清洗的转录文本，数据类型为字符串。
6. gender（性别）：标注说话人性别的字符串类型字段。
7. speaker_id（说话人ID）：用于唯一标识发声者的字符串类型字段。
8. is_gold_transcript（是否为金标准转录文本）：布尔类型字段，用于标记该转录文本是否为经过验证的标准标注结果。
9. accent（口音）：标注说话人口音特征的字符串类型字段。

## 数据集划分
数据集划分为训练集与测试集两个子集：
- 训练集（train）：占用存储空间为4834785322.945902字节，共包含6709条样本。
- 测试集（test）：占用存储空间为1225403536.5890985字节，共包含1678条样本。
该数据集整体下载大小为4949533515字节，总数据存储容量为6060188859.535字节。

## 数据集配置
默认配置下的数据文件映射关系为：训练集数据对应data/train-*路径下的文件，测试集数据对应data/test-*路径下的文件。