zoengjyutgaai

張悦楷講古語音數據集 English Dataset Description **Homepage:** 張悦楷講古語音數據集 The Zoeng Jyut Gaai Story-telling Speech Dataset **License:** CC0 1.0 Universal **Language:** Cantonese **Total Duration:** 188.25 hours **Average Clip Duration:** 5.826 seconds **Median Clip Duration:** 5.385 seconds **Total number of characters:** 2903094 **Average characters per clip:** 24.90 **Median characters per clip:** 23 **Average speech speed:** 4.27 characters per second **Voice Actor:** 張悦楷 呢個係張悦楷講《三國演義》、《水滸傳》、《走進毛澤東的最後歲月》、《鹿鼎記》語音數據集。張悦楷係廣州最出名嘅講古佬 / 粵語説書藝人。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。本數據集收集嘅係佢最知名嘅四部作品。 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！ TTS 效果演示：https://huggingface.co/spaces/laubonghaudoi/zoengjyutgaai_tts 説明 所有文本都根據 https://jyutping.org/blog/typo/ 同 https://jyutping.org/blog/particles/ 規範用字。 所有文本都使用全角標點，冇半角標點。 所有文本都用漢字轉寫，無阿拉伯數字無英文字母 所有音頻源都存放喺`/source`，為方便直接用作訓練數據，切分後嘅音頻都放喺 `opus/` 所有 opus 音頻皆為 48000 Hz 採樣率。 所有源字幕 SRT 文件都存放喺 `srt/` 路經下，搭配 `source/` 下嘅音源可以直接作為帶字幕嘅錄音直接欣賞。 `cut.py` 係切分腳本，將對應嘅音源根據 srt 切分成短句並生成一個文本轉寫 csv。 `stats.py` 係統計腳本，運行佢就會顯示成個數據集嘅各項統計數據。 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。不過如果你用咗本數據集，我哋都希望你可以引用本頁面，作為對楷叔嘅懷念同致敬： 下載使用 要下載使用呢個數據集，可以喺 Python 入面直接跑： 如果想單純將 `opus/` 入面所有嘢下載落嚟，可以跑下面嘅 Python 代碼，注意要安裝 `pip install --upgrade huggingface_hub` 先： 如果唔想用 python，你亦都可以用命令行叫 git 針對克隆個`opus/`或者其他路經，避免將成個 repo 都克隆落嚟浪費空間同下載時間： 數據集構建流程 本數據集嘅收集、構建過程係： 1. 從 YouTube 或者國內評書網站度下載錄音源文件，一般都係每集半個鐘長嘅 `.webm` 或者 `.mp3`。 1. 用加字幕工具幫呢啲錄音加字幕，得到對應嘅 `.srt` 文件。 1. 將啲源錄音用下面嘅命令儘可能無壓縮噉轉換成 `.opus` 格式。 1. 運行`cut.py`，將每一集 `.opus` 按照 `.srt` 入面嘅時間點切分成一句一個 `.opus`，然後對應嘅文本寫入本數據集嘅 `xxx.csv`。 1. 然後打開一個 IPython，逐句跑下面嘅命令，將啲數據推上 HuggingFace。 音頻格式轉換 首先要安裝 ffmpeg，然後運行： 如果想將所有 opus 文件全部轉換成 wav，可以直接運行`to_wav.sh`: 跟住就會生成一個 `wav/` 路經，入面都係 `opus/` 對應嘅音頻。注意 wav 格式非常掗埞，成個 `opus/` 轉晒後會佔用至少 500GB 儲存空間，所以轉換之前記得確保有足夠空間。如果你想對音頻重採樣，亦都可以修改 `to_wav.sh` 入面嘅命令順便做重採樣。 The Zoeng Jyut Gaai Story-telling Speech Dataset This is a speech dataset of Zoeng Jyut Gaai story-telling _Romance of the Th