Teochew-Wild

Teochew-Wild：首个正字标注的野外潮州话数据集 本数据集（Teochew-Wild）是从网络上发音清晰、噪声较少的音视频内容中获取的，原始音视频的数据来源为：民生新闻、潮汕讲古、地方电视节目、故事书、抖音自媒体口播等，我借鉴了Emilla提出的数据集自动处理流水线，对原始数据进行归一化、降噪和剪切（部分自动剪切效果差的使用手工修正）； Teochew-Wild总共包括20个发音标准、念错率低的潮汕母语说话人、共12500条音频片段，包含潮州市区、汕头市区、澄海、榕江音、潮安南部等多个区域的口音，语料内容覆盖书面用语与口头用语，并同时提供正字和拼音标注，是首个公开可用、标注准确率高的潮州话数据集，主要面向语音识别和语音合成任务。 pyPengIm 文本处理工具 pyPengIm是潮汕话语音合成（text-to-speech，TTS）的铺垫工作，用于潮汕话的文本端处理，具有以下功能： 1、从汉字输入，并输出对应的潮汕话拼音，默认情况下输出常用、高频的读音，也支持输出所有的读音。 2、具有分词功能和多音字消歧功能。… See the full description on the dataset page: wild.

Source: Hugging Face Hub (panlr/teochew_wild). Metadata imported from the dataset’s Hub tags.