CoolFace
Datasetpublic

Yvthyvq/ZoengjYvthgaaij-MouxZaakhdungj-Liujgoj

張悅楷講古語音數據集1——《Moux Zaakhdungj》 呢個係張悅楷講《走進毛澤東的最後歲月》嘅語音數據集。張悅楷係廣州最出名嘅講古佬 / 粵語說書藝人。佢從上世紀七十年代開始就喺廣東各個收音電台度講古，佢把聲係好多廣州人嘅共同回憶。 《Moux Zaakhdungj》即「毛澤東」嘅粵拼羅馬字。 數據集用途 TTS（語音合成）訓練集 ASR（語音識別）訓練集或測試集 各種語言學、文學研究 直接聽嚟欣賞藝術！ 說明 本數據集由 CanCLID/zoengjyutgaai（https://huggingface.co/datasets/CanCLID/zoengjyutgaai）發展而嚟。 引用本數據集 本數據集屬公共領域，遵循 CC0 許可聲明。即係話你可以無需授權免費任用本數據集，亦都唔需要註明出處。 數據集構建流程 由… See the full description on the dataset page: https://huggingface.co/datasets/Yvthyvq/ZoengjYvthgaaij-MouxZaakhdungj-Liujgoj.

sourceHugging Facecc0-1.0updated 10d agoView on Hugging Face
0likes69downloads
Dataset Card

張悅楷講古語音數據集1——《Moux Zaakhdungj》

呢個係張悅楷講《走進毛澤東的最後歲月》嘅語音數據集。張悅楷係廣州最出名嘅講古佬 / 粵語說書藝人。佢從上世紀七十年代開始就喺廣東各個收音電台度講古，佢把聲係好多廣州人嘅共同回憶。

《Moux Zaakhdungj》即「毛澤東」嘅粵拼羅馬字。

數據集用途

  • —TTS（語音合成）訓練集
  • —ASR（語音識別）訓練集或測試集
  • —各種語言學、文學研究
  • —直接聽嚟欣賞藝術！

說明

本數據集由 CanCLID/zoengjyutgaai（https://huggingface.co/datasets/CanCLID/zoengjyutgaai）發展而嚟。

引用本數據集

本數據集屬公共領域，遵循 CC0 許可聲明。即係話你可以無需授權免費任用本數據集，亦都唔需要註明出處。

數據集構建流程

  1. 1.由 CanCLID/zoengjyutgaai（https://huggingface.co/datasets/CanCLID/zoengjyutgaai）下載音頻。
  2. 2.先將漢字根據溜歌輸入法嘅詞庫（https://github.com/liujgoj/rime-cantonese-liujgoj）轉換成溜歌羅馬字，再人工聽音頻嚟修改，得到 MouxZaakhdungj.xlsx。
  3. 3.MouxZaakhdungj.xlsx 對原嚟嘅漢字，根據實際聽到嘅語音，作出修改，特別係語氣詞。

MouxZaakhdungj.xlsx 結構

MouxZaakhdungj.xlsx 有三列，第一列 id 同原來嘅一樣，第二列係溜歌羅馬字，第三列係漢字。例如：

id溜歌羅馬字漢字
mzd001001Sanjwaarseq, yatj gaur catj lukh ninx gaur yvth gaur yath seon, gou cvnx dongr, cvnx gunj, cvnx gwok gok zukh yanxmanx svj:新華社，一九七六年九月九日信，告全黨、全軍、全國各族人民書：
mzd001002Moux Zaakhdungj tungxzi, zoih waanhhengh hauh gingjgwo dojfongj zingjsamj zihliux, zungjyanj benghcingx okfaa, yijzih mouxhaauh, yvj yatj gaur catj lukh ninx gaur yvth gaur yath lingx six saph fanj zoih Bakjgingj saihsai.毛澤東同志，在患病後經過多方精心治療，終因病情惡化，醫治無效，於一九七六年九月九日零時十分在北京逝世。

ASR 轉錄結果

transcriptions_omni.xlsx

由 Liujgoj-Cantonese-Qwen2.5-Omni-7B-ASR 轉錄，準確率爲：

總標準單詞數 (N): 75060 正確單詞數 (C): 43517 替換錯誤數 (S): 27262 缺詞/漏打數 (D): 4281 贅詞/多打數 (I): 3844 --------------------------------------------- 整體字詞錯誤率 (WER): 47.14% 整體扣分後準確率 (Accuracy): 52.86%

transcriptions_whisper.xlsx

由 Liujgoj-Cantonese-whisper 轉錄，準確率爲：

總標準單詞數 (N): 75060 正確單詞數 (C): 31298 替換錯誤數 (S): 31672 缺詞/漏打數 (D): 12090 贅詞/多打數 (I): 9878 --------------------------------------------- 整體字詞錯誤率 (WER): 71.46% 整體扣分後準確率 (Accuracy): 28.54%

相關檔案

  • —兩個 ASR 轉錄結果見：兩個ASR結果比較.xlsx。
  • —轉錄結果準確率嘅計算方法見：ASR 準確率測算原理與使用指南.md。

對應音頻下載

CanCLID/zoengjyutgaai（https://huggingface.co/datasets/CanCLID/zoengjyutgaai）