رقم_گفتاری

• توضیحات :

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

یک مجموعه داده ساده صوتی / گفتاری متشکل از ضبط ارقام گفتاری در پرونده های wav با سرعت 8 کیلوهرتز. ضبط ها طوری کوتاه می شوند که در آغاز و پایان تقریباً کمترین سکوت را داشته باشند.

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

پرونده ها در قالب زیر نامگذاری می شوند: {digitLabel} {speakerName} {index} .wav

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

• کد منبع : tfds.audio.spoken_digit.SpokenDigit

• نسخه ها :

  • 1.0.9 (پیش فرض): بدون یادداشت انتشار.

• اندازه بارگیری : 11.42 MiB

• اندازه مجموعه داده : 45.68 MiB

• ذخیره خودکار ( مستندات ): بله

• تقسیم :

• ویژگی ها :

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

• کلیدهای تحت نظارت (به as_supervised سند نظارت شده مراجعه کنید): ('audio', 'label')

• نقل قول :

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

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

• مثالها ( tfds.as_dataframe ):