粤语

5,865小时大规模粤语语料，覆盖16kHz、44.1kHz、8kHz多采样率，支持标准化粤语识别与合成。

5,865 条数据更新时间 2026-05-11

数据集简介

本数据集从香港、广州、澳门等地采集母语者语音，内容涵盖自由对话、新闻播读、戏剧独白、广告播报及指令型语句，语音风格体现粤语口语的多种语调及表达习惯。采样率覆盖8kHz、16kHz和44.1kHz，兼容高保真与低带宽模型环境，可支撑粤语语音识别、情感语音合成、粤语大模型语音能力注入等场景应用。

数据质量

记录完整性

98.19%

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

需要定制更适合业务场景的数据集？

我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。