---
pretty_name: Audio + Transcript Dataset
language:
- hu
task_categories:
- automatic-speech-recognition
tags:
- asr
- speech-recognition
- audio
- hu
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
dataset_info:
  features:
  - name: id
    dtype: string
  - name: audio
    dtype: audio
  - name: text
    dtype: string
  - name: text_vibevoice
    dtype: string
  - name: relpath
    dtype: string
  - name: duration
    dtype: float64
  - name: sample_rate
    dtype: int32
  - name: channels
    dtype: int8
  - name: bitrate_kbps
    dtype: int32
  - name: age
    dtype: string
  - name: gender
    dtype: string
  - name: accents
    dtype: string
  splits:
  - name: train
    num_bytes: 11898177245
    num_examples: 84687
  download_size: 16489015688
  dataset_size: 11898177245
---

# Audio + Transcript Dataset

Ez a készlet **audio** fájlokból és azonos nevű **.txt** átiratokból áll. Mezők: `id`, `audio`, `text`, `text_vibevoice`, `relpath`, `duration`, `sample_rate`, `channels`, `bitrate_kbps`, `age`, `gender`, `accents`.

## Statisztika

| Metrika | Érték |
|---|---:|
| Minták száma | 84687 |
| Teljes időtartam | 98.31 h |
| Átlag hossz | 4.18 s |
| Medián hossz | 3.98 s |
| 5. percentilis | 2.03 s |
| 95. percentilis | 7.02 s |
| Minimum hossz | 0.81 s |
| Maximum hossz | 13.77 s |
| Összes karakter (átirat) | 4476524 |
| Átlag karakter/minta | 52.9 |
| Összes szó (átirat) | 608961 |
| Átlag szó/minta | 7.2 |

### Mintavételezési frekvencia eloszlás

| Hz | darab |
|---:|---:|
| 24000 | 84687 |

### Kor kategóriák (top 10)

_Nincs adat._

### Nemek (top 10)

_Nincs adat._

### Dialektus / akcentus (top 10)

_Nincs adat._

## Adatmezők

- `id` *(string)*: fájlnév alapú azonosító
- `audio` *(Audio)*: a `datasets` által betölthető hang (dekódolás letöltéskor)
- `text` *(string)*: teljes átirat (UTF-8)
- `text_vibevoice` *(string)*: 'Speaker 1: ' előtaggal kiegészített átirat (pl. VibeVoice formátumhoz)
- `relpath` *(string)*: viszonyított elérési út az adatgyökérhez
- `duration` *(float, sec)*: hozzávetőleges hossza
- `sample_rate` *(int, Hz)*: mintavételezési frekvencia
- `channels` *(int)*: csatornák száma
- `bitrate_kbps` *(int)*: becsült bitráta (kbps)
- `age` *(string)*: TSV meta (ha több érték: ';' szeparált)
- `gender` *(string)*: TSV meta (ha több érték: ';' szeparált)
- `accents` *(string)*: TSV meta (ha több érték: ';' szeparált)

## Használat

```python
from datasets import load_dataset, Audio
repo = "sarpba/data_test2"
ds = load_dataset(repo)
ds = ds.cast_column("audio", Audio(sampling_rate=16000))
ex = ds["train"][0]
print(ex["id"], ex["audio"]["sampling_rate"], ex.get("age"), ex.get("text_vibevoice"))
```