Teochew-Wild：第一个带正字书写注释的中文戏语语料库
计算与语言
2025-05-09 v1 人工智能
摘要
本文报告了Teochew-Wild语料库的构建。该语料库为潮州方言的语料库，包含18.9小时来自多个说话者的野生潮州方言语音数据，涵盖正式和口语表达，并具有精确的正字书写和拼音注释。此外，我们提供了补充的文本处理工具和资源，以推动该低资源语言（如自动语音识别(ASR)和文本转语音(TTS)）在语音任务中的研究和应用。据我们所知，这是第一个提供准确正字书写注释的潮州方言公开语料库。我们对该语料库进行了实验，结果验证了其在ASR和TTS任务中的有效性。
引用
@article{arxiv.2505.05056,
title = {Teochew-Wild: The First In-the-wild Teochew Dataset with Orthographic Annotations},
author = {Linrong Pan and Chenglong Jiang and Gaoze Hou and Ying Gao},
journal= {arXiv preprint arXiv:2505.05056},
year = {2025}
}