К содержимому

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")