数据集

video-vec2wav2-tokenizer-2

k9cli/video-vec2wav2-tokenizer-2

查看上游原文 ↗
上游访问:公开 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:上游卡片未声明 上游版本:1a57c4926005

中文简介

k9cli/video-vec2wav2-tokenizer-2 是 k9cli 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 1a57c4926005,同步到 96493 个文件,文件元数据合计 783.88 GB;访问状态为“公开”,许可证字段为“上游卡片未声明”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 k9cli/video-vec2wav2-tokenizer-2 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
k9cli/video-vec2wav2-tokenizer-2 是 k9cli 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 1a57c4926005,同步到 96493 个文件,文件元数据合计 783.88 GB;访问状态为“公开”,许可证字段为“上游卡片未声明”。

【适用方向】
适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本:1a57c4926005。 任务标签:上游卡片所列任务。 上游页面记录的最近更新时间:2026-07-14。

【文件信息】
上游 API 返回 96493 个文件,文件元数据合计 783.88 GB。 已保存文件清单中的主要扩展名:.dat 88 个、.py 6 个、无扩展名 3 个、.yaml 2 个、.bin 1 个。 当前较大的文件包括:dataset/010j3XGmv1He9k/segments_00038.dat(1.02 MB);dataset/010j3XGmv1He9k/segments_00072.dat(1.01 MB);dataset/010j3XGmv1He9k/segments_00065.dat(1010.87 KB)。 仓库文件较多,本站仅保存前 100 条文件元数据;完整清单请查看上游仓库。

【运行或处理环境】
仓库文件元数据合计 783.88 GB。仅按下载、解压和临时文件估算,建议至少预留约 940.66 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

【使用边界】
上游卡片没有提供明确许可证字段,下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

video-vec2wav2-tokenizer-2 **Version 2** - continuation shard of the video-to-AI-dataset tokenizer project. Production-ready pipeline (Python package `video_vec2wav2_tokenizer`, CLI command `video2dataset`) that turns a folder of videos into clean **AI training datasets for speech recognition (ASR) and text-to-speech (TTS)**. **Video processing** — recursive scan of `mp4 / mkv / avi / mov / webm`, FFmpeg audio extraction to mono · 16 kHz · 16-bit PCM WAV. **Speech recognition** — faster-whisper, CPU & CUDA, automatic language detection, word-level timestamps. **Segmentation** — cut audio by transcript timestamps into `dataset/audio/000001.wav …`. **Dataset generation** — `metadata.csv`, `dataset.jsonl`, `tts_metadata.csv`. **Feature extraction** (optional) — streaming `features/train.bin` + `train.dat` with float32 samples, mel spectrograms, duration and sample rate. **Statistics** — `report.json` with totals, durations and language distribution. **Training** — `train_wav2vec2.py`: HuggingFace Wav2Vec2 CTC with resume, multi-GPU, mixed precision and checkpointing. **Performance** — multiprocessing, batch processing, tqdm progress bars and memory-efficient streaming that scales past 1 TB of source media. Installation Requires **Python 3.11+** and the **FFmpeg** binary on your `PATH`. Verify: Quick start Outputs land under `dataset/`: CLI Global flags (override `config.yaml`): `--config`, `--output-dir`, `--device {auto,cpu,cuda}`, `--whisper-model`, `--language`, `-v/--verbose`. Multi-GPU training Configuration (`config.yaml`) `speaker_mode` controls TTS speaker identification: a single fixed speaker, one per source video, or one per clip. Architecture Design notes: **Lazy heavy imports.** `faster-whisper`, `torch` and `transformers` are imported only when their command runs, so the core library and tests stay light and fast. **Streaming everywhere.** Transcription consumes whisper's generator; clips and manifest rows are produced per source video; the feature store

公开页仅展示原文摘录;完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

规模与格式

固定版本:1a57c4926005。 任务标签:上游卡片所列任务。 上游页面记录的最近更新时间:2026-07-14。

文件说明

上游 API 返回 96493 个文件,文件元数据合计 783.88 GB。 已保存文件清单中的主要扩展名:.dat 88 个、.py 6 个、无扩展名 3 个、.yaml 2 个、.bin 1 个。 当前较大的文件包括:dataset/010j3XGmv1He9k/segments_00038.dat(1.02 MB);dataset/010j3XGmv1He9k/segments_00072.dat(1.01 MB);dataset/010j3XGmv1He9k/segments_00065.dat(1010.87 KB)。 仓库文件较多,本站仅保存前 100 条文件元数据;完整清单请查看上游仓库。

上游文件元数据

  • .gitattributes2.49 KB
  • .gitignore219 B
  • __init__.py178 B
  • __main__.py209 B
  • audio/__init__.py287 B
  • audio/extractor.py5.28 KB
  • cli/__init__.py204 B
  • cli/commands.py7.81 KB
  • config.yaml1.26 KB
  • configs/default.yaml569 B
  • dataset/.gitkeep0 B
  • dataset/010j3XGmv1He9k/main.bin42.05 KB

硬件建议

仓库文件元数据合计 783.88 GB。仅按下载、解压和临时文件估算,建议至少预留约 940.66 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

注意事项

上游卡片没有提供明确许可证字段,下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。