多语言语音文本微调数据集 omnilingual-fin
音视频
0 下载
5 浏览
2026-09-26
数据集简介
在线预览与子集划分
数据集在 HuggingFace 上提供 Dataset Viewer 在线预览,内容组织为一个子集 default,其下只有 train 一个划分,该划分即包含全部约 336 万行样本。页面统计显示:行数 3,359,269,总文件大小 508 GB,格式为 parquet,规模区间标注为 1M - 10M,近一个月下载量为 442。除 train 之外没有其他划分,使用时可整体作为训练语料,或按需自行切分验证集。
字段结构与预览示例
每条记录由六个字段构成,覆盖文本、音频与元信息三个层面:
| 字段 | 类型 | 含义 |
|---|---|---|
| text | string | 与音频对应的转写文本 |
| audio_bytes | list | 音频字节,以列表形式存放 |
| audio_size | int64 | 音频大小 |
| corpus | string | 语料来源标识 |
| split | string | 划分归属 |
| language | string | 语种标识 |
在线预览给出的示例中,language 字段取值为 afr_Latn,corpus 字段取值为 octopus_v3,可用于理解字段的取值风格。音频以字节形式内嵌在行记录中,读取后需按字节还原为音频文件再解码;audio_size 字段便于在加载前按大小过滤或分桶。
文档与使用说明现状
该数据集页面目前尚无 dataset card,即没有随数据集发布的字段说明、构建方法、语种覆盖清单与许可声明。因此,语种覆盖范围、音频采样参数、文本规范化流程等信息需要使用者自行从数据中统计确认;具体许可条款未标注,公开可访问但再分发与商用前应自行核实授权情况。
获取方式与引用
数据集公开可访问,可在 HuggingFace 数据集页面在线预览,也可直接下载 parquet 文件;官方文件直链由平台自动嗅探写入,请以数据集页面提供的下载入口为准。数据集由 guruawe 发布,页面标注日期为 2026-09-26。由于暂无配套论文或技术报告,引用时建议注明数据集名称 guruawe/omnilingual-finetune-data 及其 HuggingFace 页面地址。
基本信息
记录数量未知
文件大小3,359,269 行;总文件大小 508 GB
文件格式parquet
数据来源guruawe
数据规模3,359,269 行
文件大小508 GB
子集与划分default / train
字段text、audio_bytes、audio_size、corpus、split、language
访问方式公开可访问
数据落地页https://huggingface.co/datasets/guruawe/omnilingual-finetune-data
发布日期2026-09-26
多语言语音语音文本微调音频字节语料库parquet
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