speakn_digit

• توضیحات :

مجموعه داده صوتی رایگان از ارقام گفتاری. به MNIST برای صدا فکر کنید.

یک مجموعه داده ساده صوتی/گفتاری شامل ضبط ارقام گفتاری در فایل‌های wav با فرکانس 8 کیلوهرتز. ضبط ها به گونه ای بریده شده اند که در ابتدا و انتهای آن تقریباً حداقل سکوت را داشته باشند.

5 بلندگو
2500 ضبط (50 عدد از هر رقم در هر بلندگو)
تلفظ های انگلیسی

فایل‌ها در قالب زیر نام‌گذاری می‌شوند: {digitLabel} {speakerName} {index}.wav

• اسناد اضافی : کاوش در کاغذها با کد

• صفحه اصلی : https://github.com/Jakobovski/free-spoken-digit-dataset

• کد منبع : tfds.datasets.spoken_digit.Builder

• نسخه ها :

  • 1.0.9 (پیش‌فرض): بدون یادداشت انتشار.

• حجم دانلود : 11.42 MiB

• حجم مجموعه داده : 45.68 MiB

• ذخیره خودکار ( اسناد ): بله

• تقسیم ها :

شکاف	مثال ها
'train'	2500

• ساختار ویژگی :

FeaturesDict({
    'audio': Audio(shape=(None,), dtype=int64),
    'audio/filename': Text(shape=(), dtype=string),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=10),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	شرح
	FeaturesDict
سمعی	سمعی	(هیچ یک،)	int64
صدا/نام فایل	متن		رشته
برچسب	ClassLabel		int64

• کلیدهای نظارت شده (مشاهده as_supervised doc ): ('audio', 'label')

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• مثال‌ها ( tfds.as_dataframe ):

• نقل قول :

@ONLINE {Free Spoken Digit Dataset,
    author = "Zohar Jackson",
    title  = "Spoken_Digit",
    year   = "2016",
    url    = "https://github.com/Jakobovski/free-spoken-digit-dataset"
}