init demo

README.md

@@ -0,0 +1,50 @@
+## mnbvc mm dataset v2.0
+
+MNBVC 多模态语料数据格式。原链接：
+
+|字段名称|字段说明|可选|
+|-|-|-|
+|实体ID| | |
+|块ID| | |
+|时间| | |
+|扩展字段| | |
+|文本| | |
+|图片| | |
+|OCR文本| | |
+|音频| | |
+|STT文本| | |
+|块类型| | |
+|文件md5| | |
+|页ID| | |
+
+图片读取代码：
+
+``` python
+
+def read_image(image_path):
+    # 打开图像文件
+    with open(image_path, 'rb') as file:
+        image = Image.open(file)
+        # 将图像转换为二进制格式
+        img_byte_arr = io.BytesIO()
+        image.save(img_byte_arr, format=image.format)
+        img_byte_arr = img_byte_arr.getvalue()
+    return img_byte_arr
+```
+
+音频读取代码：
+``` python
+def read_audio(audio_path):
+    # 使用PyDub读取音频文件
+    audio = AudioSegment.from_wav(audio_path,)
+    # 创建一个BytesIO对象
+    byte_arr = io.BytesIO()
+    # 将音频保存为二进制格式
+    audio.export(byte_arr, format="wav")
+    # 获取二进制数据
+    audio_bytes = byte_arr.getvalue()
+
+    return audio_bytes
+```
+
+ 

blocks/demo.wav

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:187dd4c9b4cef368a614f12fe4af88a1de718edce1bc6e580924faa6f83424ce
+size 441044

train.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d4078523e25d26280be5aeb3c31f2b281356fe70fad96395148a172c1d196639
+size 569919