奥罗莫语YouTube视频语音语料集

音视频
0 下载
2 浏览
2026-10-11

数据集简介

语料构成与语言标注

该数据集围绕奥罗莫语(Afaan Oromo)构建,收录约 1.8 万条 YouTube 视频记录。每条记录的语言字段标注为 Afaan Oromo,并通过 language_verified 标记语言校验状态,便于使用者在建模前筛选可信样本。数据模态覆盖表格元数据、文本与视频/音频文件三类,单一 train 划分承载全部记录。

元数据字段与表格结构

表格部分以 parquet 格式提供,字段覆盖视频与音频两方面的描述信息:

  • 视频侧:video_id、video_url、title、channel_id、upload_date、duration_seconds、format_id、source
  • 音频侧:audio_codec、audio_channels、sample_rate、audio_processing
  • 质量与溯源:quality_gate、language_verified、source_language、downloaded_at、digest(git_sha1/sha256/size)、media_path

其中 audio_processing 标注为 original; no transcoding,说明音频保留原始编码,未做转码处理;digest 字段以 git_sha1、sha256 与 size 组合记录媒体文件指纹,可用于完整性校验与去重。

媒体文件组织方式

视频与音频文件以 webm、m4a 两种格式存放,位于 media/00/ 目录下,按哈希命名,与表格中的 media_path 字段一一对应。这种命名方式避免了标题或频道名中的特殊字符带来的路径问题,也便于按哈希值定位与核验文件。

在线预览与获取方式

数据集托管于 HuggingFace 公开数据集页面,提供 Data Studio 与 Dataset Viewer 在线预览,可直接查看 default 子集与 train 划分的表格内容,并支持整体下载。页面未标注具体许可证,使用前建议向数据上传者确认授权范围。

引用与版本信息

数据集标识为 natW0lf/32a95eff22091732,上传者用户名为 natW0lf,页面记录的发布或更新日期为 2026 年 10 月 11 日。当前未提供关联论文或 DOI,引用时请以数据集页面标识与日期为准。

基本信息

记录数量未知
文件大小未知
文件格式parquet, webm, m4a
数据来源natW0lf
数据规模约1.8万条记录
语言Afaan Oromo
数据划分train
音频处理原始未转码
数据落地页https://huggingface.co/datasets/natW0lf/32a95eff22091732
发布日期2026-10-11
奥罗莫语语音语料YouTube视频多模态数据音频元数据

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

价格

免费