datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
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。
文件说明 （File Structure Explanation）
├── label_for_qwen_asr/ # 预处理标签文件夹，完全适配Qwen-ASR模型读取格式
├── README.md # 项目说明文档（本文档）… See the full description on the dataset page: https://huggingface.co/datasets/panlr/teochew_wild.teochew_Bible
intro
用潮汕话阅读基督教文献的音频资料(揭阳口音)，来自网络。
Audio recordings of Christian materials read in the Teochew dialect (Kityall accent), sourced from the internet.
包括：
*《但以理书》：Book of Daniel
*《启示录》：The Book of Revelation
*《历代愿望》：The Desire of Ages
*《福音》：The Gospels
*《因信称义》：Justification by Faith
Teoann_Media
intro
本数据集是从潮安融媒微信公众号爬取的原始多媒体数据，内容由电视台制作，整体质量较高。
This dataset consists of raw multimedia data scraped from the "Chao'an Convergence Media" WeChat Official Account.
The content was produced by the television station and is of high overall quality.
不同的目录包含了不同的专题节目，每一个目录下，均有一个json记录元数据信息，以及一个“audio”或“video”目录记录多媒体文件。
Different directories contain different thematic programs; within each directory, a JSON file records metadata information, while an "audio" or "video" directory… See the full description on the dataset page: https://huggingface.co/datasets/panlr/Teoann_Media.