opedromartins/ASR-datasets-ptbr-clean-transcriptions

---
dataset_info:
- config_name: cetuc
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 10008186
num_examples: 100998
download_size: 756001
dataset_size: 10008186
- config_name: cml
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 5307733
num_examples: 34265
- name: validation
num_bytes: 131319
num_examples: 1134
- name: test
num_bytes: 142564
num_examples: 1297
download_size: 3194431
dataset_size: 5581616
- config_name: codigo-de-defesa-do-consumidor
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 82681
num_examples: 253
download_size: 40215
dataset_size: 82681
- config_name: common-voice-22
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 2095472
num_examples: 22923
- name: validation
num_bytes: 888016
num_examples: 9640
- name: test
num_bytes: 891070
num_examples: 9641
download_size: 1752624
dataset_size: 3874558
- config_name: constituicao-federal
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 504320
num_examples: 1255
download_size: 225098
dataset_size: 504320
- config_name: coraa-mupe
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 34182009
num_examples: 276881
- name: validation
num_bytes: 1256606
num_examples: 9894
- name: test
num_bytes: 3752767
num_examples: 30968
download_size: 19432504
dataset_size: 39191382
- config_name: coraa-nurc-sp
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 21067063
num_examples: 166971
- name: validation
num_bytes: 409850
num_examples: 3142
- name: test
num_bytes: 924437
num_examples: 7110
download_size: 10650618
dataset_size: 22401350
- config_name: coraa-v1.1
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 29153310
num_examples: 382258
- name: validation
num_bytes: 598350
num_examples: 7522
- name: test
num_bytes: 1068879
num_examples: 12676
download_size: 13155710
dataset_size: 30820539
- config_name: fleurs
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 528023
num_examples: 2793
- name: validation
num_bytes: 72516
num_examples: 386
- name: test
num_bytes: 179657
num_examples: 919
download_size: 296098
dataset_size: 780196
- config_name: lapsbm
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 70575
num_examples: 700
download_size: 38483
dataset_size: 70575
- config_name: mls
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 8967180
num_examples: 37533
- name: validation
num_bytes: 204946
num_examples: 826
- name: test
num_bytes: 222567
num_examples: 871
download_size: 5268366
dataset_size: 9394693
- config_name: sidney
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 376465
num_examples: 5093
download_size: 136281
dataset_size: 376465
- config_name: tedx
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 12445416
num_examples: 90244
- name: validation
num_bytes: 130663
num_examples: 1013
- name: test
num_bytes: 151014
num_examples: 1020
download_size: 5866190
dataset_size: 12727093
- config_name: tts-portuguese-corpus
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 589441
num_examples: 3624
download_size: 341678
dataset_size: 589441
- config_name: voxforge
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 62639
num_examples: 760
download_size: 15039
dataset_size: 62639
- config_name: yodas-granary
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 1170747189
num_examples: 6627902
download_size: 520897709
dataset_size: 1170747189
- config_name: youtube-commons-granary
features:
- name: audio_filename
dtype: large_string
- name: transcription
dtype: large_string
- name: duration
dtype: float64
splits:
- name: train
num_bytes: 51609176
num_examples: 214537
download_size: 30828050
dataset_size: 51609176
configs:
- config_name: cetuc
data_files:
- split: train
path: cetuc/train-*
- config_name: cml
data_files:
- split: train
path: cml/train-*
- split: validation
path: cml/validation-*
- split: test
path: cml/test-*
- config_name: codigo-de-defesa-do-consumidor
data_files:
- split: train
path: codigo-de-defesa-do-consumidor/train-*
- config_name: common-voice-22
data_files:
- split: train
path: common-voice-22/train-*
- split: validation
path: common-voice-22/validation-*
- split: test
path: common-voice-22/test-*
- config_name: constituicao-federal
data_files:
- split: train
path: constituicao-federal/train-*
- config_name: coraa-mupe
data_files:
- split: train
path: coraa-mupe/train-*
- split: validation
path: coraa-mupe/validation-*
- split: test
path: coraa-mupe/test-*
- config_name: coraa-nurc-sp
data_files:
- split: train
path: coraa-nurc-sp/train-*
- split: validation
path: coraa-nurc-sp/validation-*
- split: test
path: coraa-nurc-sp/test-*
- config_name: coraa-v1.1
data_files:
- split: train
path: coraa-v1.1/train-*
- split: validation
path: coraa-v1.1/validation-*
- split: test
path: coraa-v1.1/test-*
- config_name: fleurs
data_files:
- split: train
path: fleurs/train-*
- split: validation
path: fleurs/validation-*
- split: test
path: fleurs/test-*
- config_name: lapsbm
data_files:
- split: train
path: lapsbm/train-*
- config_name: mls
data_files:
- split: train
path: mls/train-*
- split: validation
path: mls/validation-*
- split: test
path: mls/test-*
- config_name: sidney
data_files:
- split: train
path: sidney/train-*
- config_name: tedx
data_files:
- split: train
path: tedx/train-*
- split: validation
path: tedx/validation-*
- split: test
path: tedx/test-*
- config_name: tts-portuguese-corpus
data_files:
- split: train
path: tts-portuguese-corpus/train-*
- config_name: voxforge
data_files:
- split: train
path: voxforge/train-*
- config_name: yodas-granary
data_files:
- split: train
path: yodas-granary/train-*
- config_name: youtube-commons-granary
data_files:
- split: train
path: youtube-commons-granary/train-*
---

数据集信息：
- 配置名称：cetuc
特征字段：
- 名称：音频文件名（audio_filename）
数据类型：大字符串（large_string）
- 名称：转录文本（transcription）
数据类型：大字符串
- 名称：时长（duration）
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：10008186
样本数：100998
下载大小：756001
数据集总大小：10008186
- 配置名称：cml
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：5307733
样本数：34265
- 划分名称：验证集
字节数：131319
样本数：1134
- 划分名称：测试集
字节数：142564
样本数：1297
下载大小：3194431
数据集总大小：5581616
- 配置名称：消费者保护法典（codigo-de-defesa-do-consumidor）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：82681
样本数：253
下载大小：40215
数据集总大小：82681
- 配置名称：通用语音22（Common Voice 22）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：2095472
样本数：22923
- 划分名称：验证集
字节数：888016
样本数：9640
- 划分名称：测试集
字节数：891070
样本数：9641
下载大小：1752624
数据集总大小：3874558
- 配置名称：联邦宪法（constituicao-federal）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：504320
样本数：1255
下载大小：225098
数据集总大小：504320
- 配置名称：coraa-mupe
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：34182009
样本数：276881
- 划分名称：验证集
字节数：1256606
样本数：9894
- 划分名称：测试集
字节数：3752767
样本数：30968
下载大小：19432504
数据集总大小：39191382
- 配置名称：coraa-nurc-sp
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：21067063
样本数：166971
- 划分名称：验证集
字节数：409850
样本数：3142
- 划分名称：测试集
字节数：924437
样本数：7110
下载大小：10650618
数据集总大小：22401350
- 配置名称：coraa-v1.1
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：29153310
样本数：382258
- 划分名称：验证集
字节数：598350
样本数：7522
- 划分名称：测试集
字节数：1068879
样本数：12676
下载大小：13155710
数据集总大小：30820539
- 配置名称：FLEURS多语言语音数据集（FLEURS）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：528023
样本数：2793
- 划分名称：验证集
字节数：72516
样本数：386
- 划分名称：测试集
字节数：179657
样本数：919
下载大小：296098
数据集总大小：780196
- 配置名称：lapsbm
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：70575
样本数：700
下载大小：38483
数据集总大小：70575
- 配置名称：多语言LibriSpeech（mls）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：8967180
样本数：37533
- 划分名称：验证集
字节数：204946
样本数：826
- 划分名称：测试集
字节数：222567
样本数：871
下载大小：5268366
数据集总大小：9394693
- 配置名称：sidney
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：376465
样本数：5093
下载大小：136281
数据集总大小：376465
- 配置名称：TEDx演讲数据集（tedx）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：12445416
样本数：90244
- 划分名称：验证集
字节数：130663
样本数：1013
- 划分名称：测试集
字节数：151014
样本数：1020
下载大小：5866190
数据集总大小：12727093
- 配置名称：葡萄牙语文本转语音语料库（tts-portuguese-corpus）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：589441
样本数：3624
下载大小：341678
数据集总大小：589441
- 配置名称：VoxForge语音语料库（voxforge）
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：62639
样本数：760
下载大小：15039
数据集总大小：62639
- 配置名称：yodas-granary
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：1170747189
样本数：6627902
下载大小：520897709
数据集总大小：1170747189
- 配置名称：youtube-commons-granary
特征字段：
- 名称：音频文件名
数据类型：大字符串
- 名称：转录文本
数据类型：大字符串
- 名称：时长
数据类型：float64
数据划分：
- 划分名称：训练集
字节数：51609176
样本数：214537
下载大小：30828050
数据集总大小：51609176
配置项：
- 配置名称：cetuc
数据文件：
- 划分集：训练集
路径：cetuc/train-*
- 配置名称：cml
数据文件：
- 划分集：训练集
路径：cml/train-*
- 划分集：验证集
路径：cml/validation-*
- 划分集：测试集
路径：cml/test-*
- 配置名称：消费者保护法典（codigo-de-defesa-do-consumidor）
数据文件：
- 划分集：训练集
路径：codigo-de-defesa-do-consumidor/train-*
- 配置名称：通用语音22（Common Voice 22）
数据文件：
- 划分集：训练集
路径：common-voice-22/train-*
- 划分集：验证集
路径：common-voice-22/validation-*
- 划分集：测试集
路径：common-voice-22/test-*
- 配置名称：联邦宪法（constituicao-federal）
数据文件：
- 划分集：训练集
路径：constituicao-federal/train-*
- 配置名称：coraa-mupe
数据文件：
- 划分集：训练集
路径：coraa-mupe/train-*
- 划分集：验证集
路径：coraa-mupe/validation-*
- 划分集：测试集
路径：coraa-mupe/test-*
- 配置名称：coraa-nurc-sp
数据文件：
- 划分集：训练集
路径：coraa-nurc-sp/train-*
- 划分集：验证集
路径：coraa-nurc-sp/validation-*
- 划分集：测试集
路径：coraa-nurc-sp/test-*
- 配置名称：coraa-v1.1
数据文件：
- 划分集：训练集
路径：coraa-v1.1/train-*
- 划分集：验证集
路径：coraa-v1.1/validation-*
- 划分集：测试集
路径：coraa-v1.1/test-*
- 配置名称：FLEURS多语言语音数据集（FLEURS）
数据文件：
- 划分集：训练集
路径：fleurs/train-*
- 划分集：验证集
路径：fleurs/validation-*
- 划分集：测试集
路径：fleurs/test-*
- 配置名称：lapsbm
数据文件：
- 划分集：训练集
路径：lapsbm/train-*
- 配置名称：多语言LibriSpeech（mls）
数据文件：
- 划分集：训练集
路径：mls/train-*
- 划分集：验证集
路径：mls/validation-*
- 划分集：测试集
路径：mls/test-*
- 配置名称：sidney
数据文件：
- 划分集：训练集
路径：sidney/train-*
- 配置名称：TEDx演讲数据集（tedx）
数据文件：
- 划分集：训练集
路径：tedx/train-*
- 划分集：验证集
路径：tedx/validation-*
- 划分集：测试集
路径：tedx/test-*
- 配置名称：葡萄牙语文本转语音语料库（tts-portuguese-corpus）
数据文件：
- 划分集：训练集
路径：tts-portuguese-corpus/train-*
- 配置名称：VoxForge语音语料库（voxforge）
数据文件：
- 划分集：训练集
路径：voxforge/train-*
- 配置名称：yodas-granary
数据文件：
- 划分集：训练集
路径：yodas-granary/train-*
- 配置名称：youtube-commons-granary
数据文件：
- 划分集：训练集
路径：youtube-commons-granary/train-*