mattlc/french_multicorpus_tft_v040

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
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
- name: text
dtype: string
- name: duration
dtype: float64
- name: dataset
dtype: string
- name: sentence
dtype: string
- name: file
dtype: string
- name: start_timestamp
dtype: float32
- name: end_timestamp
dtype: float32
- name: index
dtype: int32
splits:
- name: train
num_bytes: 4943753305.625
num_examples: 18475
- name: test
num_bytes: 644740130.762
num_examples: 2613
download_size: 5536852622
dataset_size: 5588493436.387
---
# Dataset Card for "french_multicorpus_tft_v040"

[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：默认（default）
数据文件列表：
- 数据集划分：训练集（train），文件路径：data/train-*
- 数据集划分：测试集（test），文件路径：data/test-*
数据集信息：
特征字段：
- 字段名：音频ID（audio_id），数据类型为字符串
- 字段名：语言（language），数据类型为类别标签，类别映射如下：
'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）
- 字段名：音频（audio），数据类型为音频格式，采样率为16000 Hz
- 字段名：原始文本（raw_text），数据类型为字符串
- 字段名：归一化文本（normalized_text），数据类型为字符串
- 字段名：性别（gender），数据类型为字符串
- 字段名：说话人ID（speaker_id），数据类型为字符串
- 字段名：金标准转录标记（is_gold_transcript），数据类型为布尔型
- 字段名：口音（accent），数据类型为字符串
- 字段名：文本（text），数据类型为字符串
- 字段名：时长（duration），数据类型为64位浮点型
- 字段名：数据集来源（dataset），数据类型为字符串
- 字段名：句子（sentence），数据类型为字符串
- 字段名：文件路径（file），数据类型为字符串
- 字段名：起始时间戳（start_timestamp），数据类型为32位浮点型
- 字段名：结束时间戳（end_timestamp），数据类型为32位浮点型
- 字段名：索引（index），数据类型为32位整型
数据集划分：
- 划分名称：训练集（train），总字节数：4943753305.625，样本数量：18475
- 划分名称：测试集（test），总字节数：644740130.762，样本数量：2613
下载总大小：5536852622 字节
数据集总存储大小：5588493436.387 字节
---
# 「french_multicorpus_tft_v040」数据集卡片
[需补充更多信息](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 (default)
  • 训练数据 (train): data/train-*
  • 测试数据 (test): data/test-*

数据集信息

特征

• audio_id: 字符串类型
• language: 分类标签类型，包含以下语言：
  • en: 英语
  • de: 德语
  • fr: 法语
  • es: 西班牙语
  • pl: 波兰语
  • it: 意大利语
  • ro: 罗马尼亚语
  • hu: 匈牙利语
  • cs: 捷克语
  • nl: 荷兰语
  • fi: 芬兰语
  • hr: 克罗地亚语
  • sk: 斯洛伐克语
  • sl: 斯洛文尼亚语
  • et: 爱沙尼亚语
  • lt: 立陶宛语
  • en_accented: 带口音的英语
• audio: 音频类型，采样率为16000
• raw_text: 字符串类型
• normalized_text: 字符串类型
• gender: 字符串类型
• speaker_id: 字符串类型
• is_gold_transcript: 布尔类型
• accent: 字符串类型
• text: 字符串类型
• duration: 浮点数类型
• dataset: 字符串类型
• sentence: 字符串类型
• file: 字符串类型
• start_timestamp: 浮点数类型
• end_timestamp: 浮点数类型
• index: 整数类型

数据分割

• 训练集 (train)
  • 字节数: 4943753305.625
  • 样本数: 18475
• 测试集 (test)
  • 字节数: 644740130.762
  • 样本数: 2613

数据集大小

• 下载大小: 5536852622
• 数据集大小: 5588493436.387