- 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 :
شکاف | مثال ها |
---|---|
'train' | 2500 |
- 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 ):