SyedAunZaidi/cv-corpus-14.0-ur

该数据集包含音频文件及其相关元数据，特征包括音频、客户端ID、路径、转录文本、点赞数、点踩数、年龄、性别、口音、变体、地区、片段和配置。数据集分为训练集、测试集和验证集，分别包含4130、3265和3265个样本。

原始信息汇总

数据集概述

数据集特征

• audio: 音频数据
• client_id: 字符串类型，客户端ID
• path: 字符串类型，文件路径
• transcription: 字符串类型，转录文本
• up_votes: 整数类型，点赞数
• down_votes: 整数类型，踩数
• age: 字符串类型，年龄
• gender: 字符串类型，性别
• accents: 字符串类型，口音
• variant: 浮点数类型，变体
• locale: 字符串类型，地区
• segment: 浮点数类型，段落
• config: 字符串类型，配置

数据集分割

• train: 训练集，包含4130个样本，大小为108666512.51字节
• test: 测试集，包含3265个样本，大小为80581459.775字节
• validation: 验证集，包含3265个样本，大小为80581459.775字节

数据集大小

• 下载大小: 270025794字节
• 数据集大小: 269829432.06000006字节

配置

• default: 默认配置
  • train: 路径为data/train-*
  • test: 路径为data/test-*
  • validation: 路径为data/validation-*