Dataset Preview
The full dataset viewer is not available (click to read why). Only showing a preview of the rows.
The dataset generation failed
Error code: DatasetGenerationError
Exception: TypeError
Message: Mask must be a pyarrow.Array of type boolean
Traceback: Traceback (most recent call last):
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 1586, in _prepare_split_single
writer.write(example, key)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 553, in write
self.write_examples_on_file()
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 511, in write_examples_on_file
self.write_batch(batch_examples=batch_examples)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 631, in write_batch
self.write_table(pa_table, writer_batch_size)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 646, in write_table
pa_table = embed_table_storage(pa_table)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 2248, in embed_table_storage
arrays = [
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 2249, in <listcomp>
embed_array_storage(table[name], feature, token_per_repo_id=token_per_repo_id)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 1795, in wrapper
return pa.chunked_array([func(chunk, *args, **kwargs) for chunk in array.chunks])
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 1795, in <listcomp>
return pa.chunked_array([func(chunk, *args, **kwargs) for chunk in array.chunks])
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 2124, in embed_array_storage
return feature.embed_storage(array, token_per_repo_id=token_per_repo_id)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/features/audio.py", line 289, in embed_storage
storage = pa.StructArray.from_arrays([bytes_array, path_array], ["bytes", "path"], mask=bytes_array.is_null())
File "pyarrow/array.pxi", line 3257, in pyarrow.lib.StructArray.from_arrays
File "pyarrow/array.pxi", line 3697, in pyarrow.lib.c_mask_inverted_from_obj
TypeError: Mask must be a pyarrow.Array of type boolean
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 1595, in _prepare_split_single
num_examples, num_bytes = writer.finalize()
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 658, in finalize
self.write_examples_on_file()
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 511, in write_examples_on_file
self.write_batch(batch_examples=batch_examples)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 631, in write_batch
self.write_table(pa_table, writer_batch_size)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/arrow_writer.py", line 646, in write_table
pa_table = embed_table_storage(pa_table)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 2248, in embed_table_storage
arrays = [
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 2249, in <listcomp>
embed_array_storage(table[name], feature, token_per_repo_id=token_per_repo_id)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 1795, in wrapper
return pa.chunked_array([func(chunk, *args, **kwargs) for chunk in array.chunks])
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 1795, in <listcomp>
return pa.chunked_array([func(chunk, *args, **kwargs) for chunk in array.chunks])
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/table.py", line 2124, in embed_array_storage
return feature.embed_storage(array, token_per_repo_id=token_per_repo_id)
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/features/audio.py", line 289, in embed_storage
storage = pa.StructArray.from_arrays([bytes_array, path_array], ["bytes", "path"], mask=bytes_array.is_null())
File "pyarrow/array.pxi", line 3257, in pyarrow.lib.StructArray.from_arrays
File "pyarrow/array.pxi", line 3697, in pyarrow.lib.c_mask_inverted_from_obj
TypeError: Mask must be a pyarrow.Array of type boolean
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 1451, in compute_config_parquet_and_info_response
parquet_operations, partial, estimated_dataset_info = stream_convert_to_parquet(
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 994, in stream_convert_to_parquet
builder._prepare_split(
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 1447, in _prepare_split
for job_id, done, content in self._prepare_split_single(
File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 1604, in _prepare_split_single
raise DatasetGenerationError("An error occurred while generating the dataset") from e
datasets.exceptions.DatasetGenerationError: An error occurred while generating the datasetNeed help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.
audio audio | text string | country string |
|---|---|---|
<Trans audio_filename="ALCA_H11_037.mp3" xml:lang="español"> <Datos clave_texto="ALCA_H11_037" tipo_texto="entrevista_semidirigida"> <Corpus corpus="PRESEEA" subcorpus="Alcalá" ciudad="Alcalá de Henares" pais="España"/> <Grabacion resp_grab="Equipo de Alcalá" lugar="desc" duracion="50'00''" fecha_grab="1998-06-25" sist... | España | |
<Trans audio_filename="ALCA_H12_019.mp3" xml:lang="español"> <Datos clave_texto="ALCA_H12_019" tipo_texto="entrevista_semidirigida"> <Corpus corpus="PRESEEA" subcorpus="Alcalá" ciudad="Alcalá de Henares" pais="España"/> <Grabacion resp_grab="Equipo de Alcalá" lugar="desc" duracion="59'13''" fecha_grab="1991-04-10" sist... | España | |
<Trans audio_filename="ALCA_H13_001.mp3" xml:lang="español"> <Datos clave_texto="ALCA_H13_001" tipo_texto="entrevista_semidirigida"> <Corpus corpus="PRESEEA" subcorpus="Alcalá" ciudad="Alcalá de Henares" pais="España"/> <Grabacion resp_grab="Equipo de Alcalá" lugar="lugar" duracion="55'33''" fecha_grab="1991-03-15" sis... | España | |
"<Trans audio_filename=\"ALCA_H21_043.mp3\" xml:lang=\"español\"> <Datos clave_texto=\"ALCA_H21_043(...TRUNCATED) | España | |
"<Trans audio_filename=\"ALCA_H22_025.mp3\" xml:lang=\"español\"> <Datos clave_texto=\"ALCA_H22_025(...TRUNCATED) | España | |
"<Trans audio_filename=\"ALCA_H23_007.mp3\" xml:lang=\"español\"> <Datos clave_texto=\"ALCA_H23_007(...TRUNCATED) | España | |
"<Trans audio_filename=\"ALCA_H31_050.MP3\" xml:lang=\"español\"> <Datos clave_texto=\" ALCA_H31_05(...TRUNCATED) | España | |
"<Trans audio_filename=\"ALCA_H32_033.mp3\" xml:lang=\"español\"> <Datos clave_texto=\"ALCA_H32_033(...TRUNCATED) | España | |
"<Trans audio_filename=\"ALCA_H33_051.MP3\" xml:lang=\"español\"> <Datos clave_texto=\" ALCA_H33_05(...TRUNCATED) | España | |
"<Trans audio_filename=\"ALCA_M11_041.mp3\" xml:lang=\"español\"> <Datos clave_texto=\"ALCA_M11_041(...TRUNCATED) | España |
End of preview.
PRESEEA: Proyecto para el Estudio Sociolingüístico del Español de España y de América
Descripción
PRESEEA es una colección de registros orales de entrevistas semidirigidas realizadas en distintas ciudades de España y América. El corpus contiene grabaciones de audio y transcripciones ortográficas enriquecidas, con y sin anotación lingüística, así como guías metodológicas detalladas.
La edición más reciente de las guías y documentación es de 2021. El corpus está coordinado por el Proyecto para el Estudio Sociolingüístico del Español de España y de América (PRESEEA).
Origen y Curaduría
El corpus es publicado y mantenido por PRESEEA, con la colaboración de equipos de investigación de diversas universidades. Las entrevistas fueron realizadas siguiendo un protocolo sociolingüístico estandarizado y las transcripciones han sido revisadas y enriquecidas con anotaciones lingüísticas en algunos casos.
Formato y Anotaciones
- Audio: Archivos en formato WAV y MP3, con convención de nombres estandarizada (por ejemplo,
MALA_H23_001.mp3). - Transcripciones:
- Formato de texto plano (.TXT), codificado en ISO-8859-1 (Latin-1).
- Incluyen un encabezado con metadatos y un cuerpo con la transcripción ortográfica.
- Versiones disponibles: una con etiquetas XML para fenómenos como pausas, solapamientos y ruidos, y otra sin etiquetas para lectura convencional.
Tamaño del Conjunto de Datos
- 644 entrevistas, de entre 20 a 45 minutos cada una.
Uso
El corpus PRESEEA es útil para tareas de reconocimiento automático del habla, estudios sociolingüísticos, análisis del discurso oral y enseñanza del español.
Licencia
Distribuido bajo la licencia CC BY-NC-ND 4.0.
Agradecimientos
Agradecemos al Proyecto PRESEEA y a todos los equipos de investigación participantes.
Cita
Si utiliza este corpus, por favor cite:
PRESEEA (2014-): Corpus del Proyecto para el estudio sociolingüístico del español de España y de América. Alcalá de Henares: Universidad de Alcalá. http://preseea.uah.es. Consultado: […]
- Downloads last month
- 157