# ТЗ набор данных для обучения

## Данные

Фагмент аудиофайла может содержать полные или не полные предложения, включая пунктуацию. см. пример metadata.csv

Желательно иметь следующие статистические распределения:

**Аудио:**
Максимальная длина 10 секунд.
Средняя длина 6,5 секунд.

**Строка:**
Максимальная длина 187 символов.
Минимальная длина 12
Средняя длина 100

Каждый аудиофайл представляет собой одноканальный 16-битный PCM WAV с частотой дискретизации 44100 Гц. (обсуждаемо)

Пример metadata.csv(картинка кликабельна)
[](https://i.imgur.com/snl32zH.png)

Пример распределения длин аудио фрагментов, условно идеального датасета:

## Формат метаданных

Метаданные находятся в metadata.csv (см. пример выше). Этот файл состоит из одной записи в строке:

ID: имя соответствующего файла .wav
Транскрипция: слова, сказанные читателем (UTF-8)

## Структура файлов

├── en_UK/
│ └── by_voice/
│      └── female/
│            └──surname/
│                └──wavs/
│                └──metadata.csv
│            └──surname/
│                └──wavs/
│                └──metadata.csv
│      └── male/
│            └──surname/
│                └──wavs/
│                └──metadata.csv
├── ru_RU/
│ └── by_voice/
│      └── female/
│            └──surname/
│                └──wavs/
│                └──metadata.csv
│      └── male/
│            └──surname/
│                └──wavs/
│                └──metadata.csv