垂类视频-方言
粤语、北京话、成都话、上海话、重庆话、东北话、湖南话、台湾腔、川普、天津话、闽南话、南京话、河南话、陕⻄话等主流⽅⾔，拆开寻源和标注
视频音频语音识别通用粤语更新时间 2026·06·08
数据集简介
包含粤语、闽南语、四川话、东北话、上海话等多种方言视频及字幕数据，可用于方言ASR、语音识别、语音合成、多语言大模型训练。
数据质量
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
视频音频语音识别通用粤语
