豪萨语语音文本配对数据集
音视频
0 下载
17 浏览
2026-07-26
数据集简介
数据构成与模态
该数据集由音频(Audio)和文本(Text)两种模态组成,旨在为豪萨语的语音 - 文本对齐任务提供高质量语料。数据集中每条样本均包含三个关键字段:音频文件、对应的豪萨语转录文本以及说话人编号(speaker_id)。这种结构化的配对形式使得研究人员能够直接利用数据进行端到端的语音识别模型训练或语音合成系统的开发,特别针对豪萨语这一低资源语言进行优化。
内容主题与分布
文本内容涵盖了多样化的日常场景与知识领域,主要包括数字运算、天气状况描述以及图像内容描述等类型的豪萨语句子。这些丰富的语义场景有助于提升模型对豪萨语不同语境下的理解能力与泛化性能。数据以 data/train-000000.parquet 等文件形式组织,确保了数据读取的高效性与结构化存储的便利性。
数据规模与划分
数据集整体规模约为 61.3 万行(613k rows),属于中等规模数据集(100K - 1M 区间)。在数据划分上,目前仅包含一个默认子集(default subset),且所有数据均归属于训练集(train split),未单独划分验证集或测试集。具体统计信息如下:
- 总行数:613,000 行
- 子集数量:1 个(default)
- 划分情况:100% 为训练数据
存储格式与获取方式
数据采用 Parquet 列式存储格式,兼顾了压缩率与读取速度,适合大规模数据处理。音频文件通常以常见音频编码格式伴随存储。该数据集托管于 HuggingFace 平台,由用户 suleiman2003 发布,页面显示为非私有(private: false)且非门禁(gated: false),意味着公众可直接通过网页浏览、预览及下载全部数据,无需申请授权或付费。最后更新时间显示为 2026 年 7 月 26 日。
基本信息
记录数量未知
文件大小未知
文件格式Parquet
数据来源HuggingFace
模态类型音频、文本
数据量级100K - 1M
访问权限公开
数据落地页https://huggingface.co/datasets/suleiman2003/W_hausa_v1
发布日期2026-07-26
豪萨语语音识别语音合成低资源语言音频文本配对自然语言处理
上架信息
数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载