数据集

RealTalk-CN

BAAI/RealTalk-CN

查看上游原文 ↗
上游访问:需要申请 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:cc-by-nc-sa-4.0 上游版本:72efffbfeb56

中文简介

BAAI/RealTalk-CN 是 BAAI 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 72efffbfeb56,同步到 15 个文件,文件元数据合计 17.33 GB;访问状态为“需要申请”,许可证字段为“cc-by-nc-sa-4.0”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 BAAI/RealTalk-CN 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
BAAI/RealTalk-CN 是 BAAI 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 72efffbfeb56,同步到 15 个文件,文件元数据合计 17.33 GB;访问状态为“需要申请”,许可证字段为“cc-by-nc-sa-4.0”。

【适用方向】
适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本:72efffbfeb56。 任务标签:上游卡片所列任务。 语言字段:zh。 规模分类:10K<n<100K。 上游页面记录的最近更新时间:2025-09-12。

【文件信息】
上游 API 返回 15 个文件,文件元数据合计 17.33 GB。 已保存文件清单中的主要扩展名:.json 12 个、.gz 1 个、.md 1 个、无扩展名 1 个。 当前较大的文件包括:RealTalk-CN_data.tar.gz(17.15 GB);subset_json/multi_domain_system/train.json(70.25 MB);subset_json/multi_domain_system/val.json(30.05 MB)。

【运行或处理环境】
仓库文件元数据合计 17.33 GB。仅按下载、解压和临时文件估算,建议至少预留约 20.80 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

【使用边界】
许可证显示为“cc-by-nc-sa-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 该仓库需要由用户本人按上游要求申请访问,是否批准及何时批准由资源权利方决定。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

RealTalk-CN: A Realistic Chinese Speech-Text Dialogue Benchmark With Cross-Modal Interaction Analysis 📌 Resources: GitHub Repository Arxiv Paper RealTalk-CN is the first large-scale, multi-domain, bimodal (speech-text) Chinese Task-Oriented Dialogue (TOD) dataset. All data come from real human-to-human conversations, specifically constructed to advance research on speech-based large language models (Speech LLMs). Existing TOD datasets are mostly text-based, lacking real speech, spontaneous disfluencies, and cross-modal interaction scenarios. RealTalk-CN achieves breakthroughs in these aspects, fully supporting Chinese speech dialogue modeling and evaluation. The dataset is released under the CC BY-NC-SA 4.0 license, and can be freely used for non-commercial research. Dataset Composition Total Duration: ~150 hours of verified real human-to-human dialogue audio Dialogue Scale: 5,400 multi-turn dialogues, over 60,000 utterances Speakers: 113 individuals, balanced gender ratio, ages 18–50, covering major dialect regions across China Dialogue Domains: 58 task-oriented domains (e.g., dining, transportation, shopping, healthcare, finance), including 55 intents and 115 slots Audio Specifications: 16kHz sampling rate, WAV format, recorded via both professional and mobile devices Transcription & Annotation: Manually transcribed at the character level, preserving spoken language features Annotated with 4 categories of disfluencies (elongation, repetition, self-correction, hesitation) Includes transcriptions, slot values, intents, and speaker metadata (gender, age, region, etc.) Dataset Features Natural and Colloquial: Contains spoken features and disfluencies in real task-oriented dialogues, overcoming the limitation of “read speech” corpora. Bimodal and Real Interaction: Provides paired speech-text annotations and introduces a cross-modal chat task, supporting dynamic switching between speech and text—closer to real-world human-computer interaction. Complete Dialogues and Mul

公开页仅展示原文摘录;完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

规模与格式

固定版本:72efffbfeb56。 任务标签:上游卡片所列任务。 语言字段:zh。 规模分类:10K<n<100K。 上游页面记录的最近更新时间:2025-09-12。

文件说明

上游 API 返回 15 个文件,文件元数据合计 17.33 GB。 已保存文件清单中的主要扩展名:.json 12 个、.gz 1 个、.md 1 个、无扩展名 1 个。 当前较大的文件包括:RealTalk-CN_data.tar.gz(17.15 GB);subset_json/multi_domain_system/train.json(70.25 MB);subset_json/multi_domain_system/val.json(30.05 MB)。

上游文件元数据

  • .gitattributes2.95 KB
  • README.md3.69 KB
  • RealTalk-CN_data.tar.gz17.15 GB
  • subset_json/multi_domain_colloquial/test.json14.31 MB
  • subset_json/multi_domain_colloquial/train.json23.37 MB
  • subset_json/multi_domain_colloquial/val.json10.04 MB
  • subset_json/multi_domain_system/test.json13.21 MB
  • subset_json/multi_domain_system/train.json70.25 MB
  • subset_json/multi_domain_system/val.json30.05 MB
  • subset_json/single_domain_colloquial/test.json3.08 MB
  • subset_json/single_domain_colloquial/train.json5.09 MB
  • subset_json/single_domain_colloquial/val.json2.17 MB

硬件建议

仓库文件元数据合计 17.33 GB。仅按下载、解压和临时文件估算,建议至少预留约 20.80 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

注意事项

许可证显示为“cc-by-nc-sa-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 该仓库需要由用户本人按上游要求申请访问,是否批准及何时批准由资源权利方决定。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。