WillHeld/HeySQuAD_distill

该数据集包含音频、转录文本、问题、上下文、答案、是否不可能、ID、可能的答案和响应等特征。数据集分为训练集和验证集，训练集进一步细分为多个子集。每个子集都有相应的字节大小和示例数量。

原始信息汇总

数据集概述

数据集特征

• audio: 音频数据
• transcription: 字符串类型
• question: 字符串类型
• context: 字符串类型
• answers: 列表类型，包含：
  • answer_start: 整数类型
  • text: 字符串类型
• is_impossible: 布尔类型
• id: 字符串类型
• plausible_answers: 列表类型，包含：
  • answer_start: 整数类型
  • text: 字符串类型
• response: 字符串类型

数据集分割

• train: 71988个样本，总大小为17924608529.92字节
• validation: 4158个样本，总大小为839605048.292字节
• train.0 至 train.13: 每个分割包含5142个样本，各自的总大小分别为：
  • train.0: 1078722883.78字节
  • train.1: 1035408182.834字节
  • train.2: 1008141032.624字节
  • train.3: 1058009038.854字节
  • train.4: 1033585673.418字节
  • train.5: 975758843.51字节
  • train.6: 956477556.048字节
  • train.7: 1031551466.512字节
  • train.8: 1479551723.146字节
  • train.9: 1338549202.696字节
  • train.10: 1617167244.766字节
  • train.11: 1506405055.962字节
  • train.12: 1821829618.678字节
  • train.13: 1982815638.718字节

数据集大小

• download_size: 42376206586字节
• dataset_size: 36688186739.757996字节

搜集汇总

背景与挑战

背景概述

HeySQuAD_distill是一个专注于美国歌手碧昂丝（Beyoncé）主题的问答数据集，包含约14.8万行数据，涵盖音频和文本模态。数据集结构包含上下文、问题、答案和响应等字段，旨在支持问答模型的训练与评估，特别适用于知识提取和语言理解任务。