Datasets:

TingChen-ppmc
/

Tianjin_Dialect_Conversational_Speech_Corpus

Modalities:

Audio

Text

Formats:

Size:

Libraries:

Dataset card Viewer Files Files and versions Community

Dataset Viewer

Auto-converted to Parquet

Full Screen Viewer

Full Screen

Split (1)

train · 5.17k rows

gender stringclasses 2 values	speaker_id stringclasses 6 values	transcription stringlengths 1 44
female	G0001	哦，唉。
female	G0001	咱今个儿，咱今个儿，咱聊聊这个旅游吧。好吗？
female	G0001	咱咱咱咱这个是对旅游啊不陌生，很熟悉。
female	G0001	咱这个去的地方多了，旅游中国这这个地大物博。
female	G0001	也适合旅游啊。
female	G0001	中国，中，现在这个。
female	G0001	中国玩够了还上外国外边国外边玩去。
female	G0001	是吗？
female	G0001	我，我对工作关系，工作便利。
female	G0001	我这是嘛呢，就属于是。
female	G0001	总总在外面跑次。做市场，做市场调研。
female	G0001	你想想在这全国各地我就对
female	G0001	除了西藏没去。
female	G0001	唉。这，上上班那阵儿，工作，现在，这这退休以后。
female	G0001	国外玩儿去。日本。韩国。
female	G0001	唉，这这这地方也都玩儿去了，你要不是疫要不是疫情啊。
female	G0001	就又去了，去年吧，又有阵子没出去了。
female	G0001	没出去，现在也不敢出去了。
female	G0001	您都去哪哈儿，您都您都去哪哈儿。
female	G0001	嗯，有嘛有嘛新鲜段子。
female	G0001	重庆是个好地方，四川，重庆天府之国啊。
female	G0001	嗨，我说。
female	G0001	我告诉你，我告诉你唉。
female	G0001	你呀一开始去了不习惯，但是啊。
female	G0001	你在那哈儿之，我在重庆那哈儿住了一个多月。
female	G0001	虽然说，重重庆，然后我就我又去成都。
female	G0001	我在四四川啊，可以说我没玩儿够。
female	G0001	我真真喜欢四川。
female	G0001	四川人家，咱说真的啊，人属于生活慢节奏。
female	G0001	特别悠闲。
female	G0001	你到四川你到重庆你看吧大街小巷都是小茶馆
female	G0001	都小茶馆都小牌九。
female	G0001	人们都在那推牌九喝茶
female	G0001	那多，多美啊，那真真真是天府之国。我啊直到现在。
female	G0001	我都特别留恋四川。
female	G0001	我，我要是再，我再旅游，再玩儿去，我我，当然我去，那地方我都去过了。
female	G0001	我带我们夫人，我准备带我们夫人啊去一趟的。
female	G0001	尤其是哪哈儿，重庆，那个，四，成都。
female	G0001	成都那小吃，哎呦真没治了。
female	G0001	你说这话对。
female	G0001	你说这话对，我们去四川，在在在重庆那式的，我们待那一个。
female	G0001	就，就是，一去就阴着天，到半个月了。
female	G0001	才晴天我们洗衣服就晾晾晾干了
female	G0001	然后啊做业务呀，咋么的，玩呀嘛。
female	G0001	真是的他那地方就那样
female	G0001	人那个可是啊
female	G0001	他那个，那个气温人家的皮肤好啊。
female	G0001	人不像咱这哈儿，干次咧咧，人那皮肤滋润，对吧？
female	G0001	湿湿度大。
female	G0001	气候湿润，它不干燥。
female	G0001	对对对，一个温度，嗯。
female	G0001	你要冬天你要冬天去啊你要冬天去啊，你在外边儿比在屋里边儿暖和
female	G0001	嗯，为嘛四川人耐吃辣子呢。
female	G0001	对吧，你看四川人，都是大把大把辣椒，那么吃着，为嘛。
female	G0001	他就，祛，祛那个风寒，祛湿度。
female	G0001	唉，祛，祛那个。
female	G0001	你看这玩意，都有，要不是老祖宗留下来的东西，都有科学依据嘛，对嘛？
male	G0001	也受罪，辣奏是辣
male	G0001	你要到
male	G0001	我啊明白你那意思，你啊就
male	G0001	等于他那个南方那个饭啊
male	G0001	分不出来是早点。午饭。晚饭
male	G0001	他分的不是那么特别清楚，特别详细
male	G0001	你像咱这儿哈
male	G0001	咱这儿哈早点
male	G0001	老豆腐。嘎巴菜。煎饼果子
male	G0001	唉，大饼。馒头
male	G0001	咱是早点。中午饭呢？米饭。炒菜
male	G0001	啊。或者馒头啊，稀饭
male	G0001	唉，包子。饺子，咱这儿介嗯一日三餐分的清楚
male	G0001	他们那和儿嘛呢？
male	G0001	唉，面条
male	G0001	馄饨，他们那哈儿那个四川那边叫管馄饨叫叫抄手
male	G0001	对吧，抄手抄手，唉，他们那块儿也卖抄手
male	G0001	他就是那东西
male	G0001	你说你早点也吃那东西，中午饭也吃那东西，有时候晚饭也是那些东西
male	G0001	除非你上饭店你自个儿点菜去
male	G0001	到饭店我要我到到进饭店以后，
male	G0001	来份儿米饭来份儿炒菜。他那炒菜跟咱这炒菜味儿都不一样。
male	G0001	唉，你所以说你不习惯
male	G0001	你像我们介个啊
male	G0001	常年在外边
male	G0001	但是抄抄手他那叫
male	G0001	对对对。嗯。
male	G0001	啊对对对对。麻辣麻辣。
male	G0001	你看，你看来你还是不习惯，对吧？你因为你在咱这北方待惯了
male	G0001	乍一到那个地方，因为那个地方饮食跟咱这哈儿真是格格不入。
male	G0001	他他那个差距很大很大的。
male	G0001	唉，你看来你敏感。
male	G0001	我说不过你到四川啊
male	G0001	你要是作为旅游来讲，你还是
male	G0001	我啊你看我
male	G0001	去过当然我在那哪哈儿广西一咱们上学那阵讲过
male	G0001	桂林山水甲天下。
male	G0001	对吧，广西桂林，
male	G0001	那个丽江，哎呀，那风景真风景美如画
male	G0001	确实确实好。
male	G0001	但是我到那哈儿我住我去过几次
male	G0001	我啊，总体来说我还是我不留恋那个广西，我留恋那个四川。
male	G0001	四川的旅游胜地啊，

End of preview. Expand in Dataset Viewer.

Corpus

This dataset is built from Magicdata ASR-CTJDIACSC: A CHINESE TIANJIN DIALECT CONVERSATIONAL SPEECH CORPUS

This corpus is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. Please refer to the license for further information.

Modifications: The audio is split in sentences based on the time span on the transcription file. Sentences that span less than 1 second is discarded. Topics of conversation is removed.

Usage

To load this dataset, use

from datasets import load_dataset
dialect_corpus = load_dataset("TingChen-ppmc/Tianjin_Dialect_Conversational_Speech_Corpus")

This dataset only has train split. To split out a test split, use

from datasets import load_dataset
train_split = load_dataset("TingChen-ppmc/Tianjin_Dialect_Conversational_Speech_Corpus", split="train")
# where test_size=0.5 denotes 0.5 of the dataset will be split to test split
corpus = train_split.train_test_split(test_size=0.5)

A sample data would be

# note this data is from the Nanchang Dialect corpus, the data format is shared
{'audio': 
    {'path': 'A0001_S001_0_G0001_0.WAV',
       'array': array([-0.00030518, -0.00039673, 
                     -0.00036621, ..., 	-0.00064087,
                      -0.00015259, -0.00042725]),
       'sampling_rate': 16000},
 'gender': '女',
 'speaker_id': 'G0001',
 'transcription': '北京爱数智慧语音采集'
}

More Information needed

Downloads last month: 41

Edit dataset card

Size of downloaded dataset files:

370 MB

Size of the auto-converted Parquet files:

370 MB

Number of rows:

5,166

Models trained or fine-tuned on TingChen-ppmc/Tianjin_Dialect_Conversational_Speech_Corpus

TingChen-ppmc/whisper-small-Tianjin

Automatic Speech Recognition • Updated Dec 20, 2023 • 3