boringtaskai/common_voice_13_0_id_tagged

---
dataset_info:
features:
- name: client_id
dtype: string
- name: path
dtype: string
- name: text
dtype: string
- name: up_votes
dtype: int64
- name: down_votes
dtype: int64
- name: age
dtype: string
- name: gender
dtype: string
- name: accent
dtype: string
- name: locale
dtype: string
- name: segment
dtype: string
- name: variant
dtype: string
- name: utterance_pitch_mean
dtype: float32
- name: utterance_pitch_std
dtype: float32
- name: snr
dtype: float64
- name: c50
dtype: float64
- name: speaking_rate
dtype: string
- name: phonemes
dtype: string
- name: pitch
dtype: string
- name: noise
dtype: string
- name: reverberation
dtype: string
- name: speech_monotony
dtype: string
- name: text_description
dtype: string
splits:
- name: train
num_bytes: 4051461
num_examples: 5041
- name: validation
num_bytes: 2489887
num_examples: 3292
- name: test
num_bytes: 2717426
num_examples: 3649
- name: other
num_bytes: 21759253
num_examples: 29260
- name: invalidated
num_bytes: 1972915
num_examples: 2553
download_size: 6566066
dataset_size: 32990942
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
- split: other
path: data/other-*
- split: invalidated
path: data/invalidated-*
---

数据集信息：
特征字段：
- 名称：客户端ID（client_id），数据类型：字符串
- 名称：文件路径（path），数据类型：字符串
- 名称：文本内容（text），数据类型：字符串
- 名称：点赞数（up_votes），数据类型：64位整数
- 名称：点踩数（down_votes），数据类型：64位整数
- 名称：年龄（age），数据类型：字符串
- 名称：性别（gender），数据类型：字符串
- 名称：口音（accent），数据类型：字符串
- 名称：区域设置（locale），数据类型：字符串
- 名称：分段（segment），数据类型：字符串
- 名称：变体（variant），数据类型：字符串
- 名称：语句平均基频（utterance_pitch_mean），数据类型：32位浮点数
- 名称：语句基频标准差（utterance_pitch_std），数据类型：32位浮点数
- 名称：信噪比（snr），数据类型：64位浮点数
- 名称：c50，数据类型：64位浮点数
- 名称：语速（speaking_rate），数据类型：字符串
- 名称：音素序列（phonemes），数据类型：字符串
- 名称：基频（pitch），数据类型：字符串
- 名称：噪声（noise），数据类型：字符串
- 名称：混响（reverberation），数据类型：字符串
- 名称：语音单调性（speech_monotony），数据类型：字符串
- 名称：文本描述（text_description），数据类型：字符串
数据集划分：
- 名称：训练集（train），字节数：4051461，样本量：5041
- 名称：验证集（validation），字节数：2489887，样本量：3292
- 名称：测试集（test），字节数：2717426，样本量：3649
- 名称：其他集（other），字节数：21759253，样本量：29260
- 名称：无效集（invalidated），字节数：1972915，样本量：2553
下载大小：6566066 字节，数据集总大小：32990942 字节
配置项：
- 配置名称：默认配置（default），数据文件路径：
- 训练集：data/train-*
- 验证集：data/validation-*
- 测试集：data/test-*
- 其他集：data/other-*
- 无效集：data/invalidated-*

原始信息汇总

数据集概述

数据集特征

• client_id: 数据类型为字符串。
• path: 数据类型为字符串。
• text: 数据类型为字符串。
• up_votes: 数据类型为整数。
• down_votes: 数据类型为整数。
• age: 数据类型为字符串。
• gender: 数据类型为字符串。
• accent: 数据类型为字符串。
• locale: 数据类型为字符串。
• segment: 数据类型为字符串。
• variant: 数据类型为字符串。
• utterance_pitch_mean: 数据类型为浮点数。
• utterance_pitch_std: 数据类型为浮点数。
• snr: 数据类型为浮点数。
• c50: 数据类型为浮点数。
• speaking_rate: 数据类型为字符串。
• phonemes: 数据类型为字符串。
• pitch: 数据类型为字符串。
• noise: 数据类型为字符串。
• reverberation: 数据类型为字符串。
• speech_monotony: 数据类型为字符串。
• text_description: 数据类型为字符串。

数据集分割

• train: 大小为4051461字节，包含5041个样本。
• validation: 大小为2489887字节，包含3292个样本。
• test: 大小为2717426字节，包含3649个样本。
• other: 大小为21759253字节，包含29260个样本。
• invalidated: 大小为1972915字节，包含2553个样本。

数据集大小

• 下载大小为6566066字节。
• 数据集总大小为32990942字节。

配置文件

• default: 包含不同分割的数据文件路径，如data/train-*、data/validation-*等。