امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

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

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"
}