Датасет · CanCLID
Аудиокниги и транскрипции на кантонском языке
CanCLID/zoengjyutgaai
Записи известного рассказчика Чжан Юэкая с выверенными текстами для TTS и ASR на кантонском.
Что внутри
Корпус содержит от 100 тысяч до 1 миллиона фрагментов речи на кантонском диалекте (yue) в исполнении знаменитого радиоведущего Чжан Юэкая (четыре классических произведения, включая «Троецарствие»). Аудио нарезано и сохранено в формате opus (исходники лежат отдельно), а тексты транскрибированы иероглифами по строгим правилам орфографии без цифр и латиницы.
Что можно сделать
- Обучение моделей синтеза речи (TTS) с выразительной художественной интонацией на кантонском
- Тренировка и тестирование систем распознавания речи (ASR) для кантонского диалекта
- Лингвистические исследования устной кантонской речи и фольклора
- Задачи
- Распознавание речи, Синтез речи, Генерация текста, Эмбеддинги, Обработка аудио, Классификация аудио
- Языки
- yue
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 10,5 тыс.
- Лайков
- 35
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("CanCLID/zoengjyutgaai")