quocanh34/data_for_synthesis_with_entities_align_v2

---
dataset_info:
features:
- name: id
dtype: string
- name: sentence
dtype: string
- name: intent
dtype: string
- name: sentence_annotation
dtype: string
- name: entities
list:
- name: type
dtype: string
- name: filler
dtype: string
- name: file
dtype: string
- name: audio
struct:
- name: array
sequence: float64
- name: path
dtype: string
- name: sampling_rate
dtype: int64
- name: origin_transcription
dtype: string
- name: sentence_norm
dtype: string
- name: w2v2_large_transcription
dtype: string
- name: wer
dtype: int64
- name: entities_norm
list:
- name: filler
dtype: string
- name: type
dtype: string
- name: entities_align
dtype: string
splits:
- name: train
num_bytes: 698110051.1801205
num_examples: 1413
download_size: 158745470
dataset_size: 698110051.1801205
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "data_for_synthesis_with_entities_align_v2"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

## 数据集信息（dataset_info）
### 特征列表
1. `id`：数据唯一标识，数据类型为字符串（string）
2. `sentence`：原始句子文本，数据类型为字符串（string）
3. `intent`：意图分类标签，数据类型为字符串（string）
4. `sentence_annotation`：句子标注信息，数据类型为字符串（string）
5. `entities`：实体列表，包含两个子特征：
- `type`：实体类型，数据类型为字符串（string）
- `filler`：实体填充内容，数据类型为字符串（string）
6. `file`：关联文件路径，数据类型为字符串（string）
7. `audio`：音频结构体，包含三个子字段：
- `array`：音频浮点序列数组，元素类型为64位浮点数（float64）
- `path`：音频文件存储路径，数据类型为字符串（string）
- `sampling_rate`：音频采样率，数据类型为64位整数（int64）
8. `origin_transcription`：原始语音转录文本，数据类型为字符串（string）
9. `sentence_norm`：标准化处理后的句子文本，数据类型为字符串（string）
10. `w2v2_large_transcription`：Wav2Vec2 Large模型（w2v2_large）语音转录结果，数据类型为字符串（string）
11. `wer`：词错误率（Word Error Rate, WER），数据类型为64位整数（int64）
12. `entities_norm`：标准化实体列表，包含两个子特征：
- `filler`：标准化实体填充内容，数据类型为字符串（string）
- `type`：标准化实体类型，数据类型为字符串（string）
13. `entities_align`：实体对齐信息，数据类型为字符串（string）

### 数据集划分
仅包含训练集（train）划分，其占用存储空间为698110051.1801205字节，共包含1413条样本数据。

### 整体统计信息
下载大小为158745470字节，数据集总占用存储空间为698110051.1801205字节。

### 配置信息
仅包含默认配置（default），其数据文件对应训练集划分，存储路径为`data/train-*`。

---

# 数据集卡片：data_for_synthesis_with_entities_align_v2（带实体对齐的合成数据集v2）
[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

数据集信息

特征

• id: 字符串类型
• sentence: 字符串类型
• intent: 字符串类型
• sentence_annotation: 字符串类型
• entities: 列表类型
  • type: 字符串类型
  • filler: 字符串类型
• file: 字符串类型
• audio: 结构类型
  • array: 浮点数序列
  • path: 字符串类型
  • sampling_rate: 整数类型
• origin_transcription: 字符串类型
• sentence_norm: 字符串类型
• w2v2_large_transcription: 字符串类型
• wer: 整数类型
• entities_norm: 列表类型
  • filler: 字符串类型
  • type: 字符串类型
• entities_align: 字符串类型

数据分割

• train:
  • 字节数: 698110051.1801205
  • 样本数: 1413

数据大小

• 下载大小: 158745470
• 数据集大小: 698110051.1801205

配置

• default:
  • 数据文件:
    • train: data/train-*