数据集 - 海数据

KPAAMCAM_NTs_MUNKEN_Based_蒙肯语225词表词汇特征分析完整数据

2025年12月18日

数据集概述本数据集是一份包含225个词汇的蒙肯语词表，蒙肯语是喀麦隆西北部门丘姆省丰贡分区下属丰贡地区使用的一种声调语言，属于耶姆内-金比语族。词表记录了两位咨询人提供的词汇，存在个体词汇差异。文件详解文件名称: KPAAMCAM_NTs_MUNKEN-3NGT-4NUN_225Wordlist_20221-02-25.pdf 文件格式: PDF...

ZIP

Umsuka英语_祖鲁语平行语料库

2025年12月8日

数据集概述该数据集是开源高质量英语-祖鲁语平行语料库，涵盖南非本土及国际英语语境，由专业译者翻译构建。包含10000组平行句对（各5000组双向翻译），并从每组中分离1000组作为评估集，祖鲁语评估集经双重翻译以计算人类水平BLEU分数。文件详解训练数据文件（CSV格式）： zu-en.training.csv：祖鲁语-...

ZIP

帕皮阿门托语医疗环境关键词识别语音转文本数据集

2025年12月16日

数据集概述本数据集为帕皮阿门托语医疗环境下的关键词识别语音转文本研究开发，包含七个类别（六个关键词和一个未知类别）的语音样本，经过滤后共16766个样本，每个样本为一秒钟录音生成的频谱图，用于推动帕皮阿门托语关键词识别研究。文件详解文件名称：papiamento_keyword_spotting_dataset.zip...

ZIP

KPAAMCAM_NTs_MASHI_4BAA_5NCM_Based_贝姆布尔诺Lower_Fungom_Mashi词汇表完整数据

2025年12月15日

数据集概述该数据集包含一份关于Mashi语言的225个词汇表文档。Mashi是一种属于Yemne-Kimbi语支的语言变体，主要分布在喀麦隆西北部Menchum区Fungom分区的Lower Fungom地区，为研究该语言的词汇特征提供基础数据。文件详解文件名称:...

ZIP

Max_Planck_Archivo_DOBES_Nonuya_Based_2019版语言数据库词汇转录完整数据

2025年12月14日

数据集概述该数据集为Nonuya语言（ISO 639 noj，属于Witoto语系）的数据库，收录了1973至2007年间与四位母语者的8693条词汇及表达录音的转录文本，经修订后采用AFI符号转录，每条数据含特定标识符，便于语言分析引用。文件详解文件名称: NONUYA2019.pdf 文件格式: PDF (.pdf) 文件内容:...

ZIP

杜洪比语个人叙事转录解析与翻译文本数据集

2025年12月14日

数据集概述该数据集包含杜洪比语个人叙事的音频文件及配套文本文件，覆盖死亡故事、村庄历史、狩猎、饮酒、驱邪等主题，提供转录、解析、标注及翻译内容，对应《杜洪比语语法》中的文本材料。文件详解音频文件（.wav格式）：包含5个CHUK编号开头的音频文件，对应各叙事主题的原始录音...

ZIP

捷克波西米亚历史文献转录超级模型数据集2024

2025年12月14日

数据集概述该数据集记录了2024年学生资助竞赛（SGS）项目中，学生团队基于Transkribus平台开发的捷克历史文献转录模型成果。包含训练集、验证集的错误率数据，多个学生开发的转录模型（如Finale 2.0、Agreg-8）及其字符错误率（CER），以及最终聚合模型CZECH...

ZIP

提格利尼亚语语言建模数据集TLMD_v1_0_0

2025年12月13日

数据集概述该数据集是为提格利尼亚语语言建模构建的单语种数据集，是同类数据中规模最大的提格利尼亚语数据集。数据经轻量清理，包含训练集（百分之九十八）和验证集（百分之二），支持自然语言处理研究。文件详解文件名称: tlmd_v1.0.0.zip 文件格式: ZIP压缩包数据结构:...

ZIP

图皮语依存树库数据集

2025年12月9日

数据集概述本数据集是图皮语依存树库（TuDeT），包含一个压缩文件，提供图皮语语言资源，用于自然语言处理（NLP）相关研究，为图皮语的句法分析提供数据支持。文件详解文件名称: tupian-language-resources/tudet-v0.4.zip 文件格式: ZIP（压缩文件）内容说明:...

ZIP

图卡诺语系Desano_Siriano_Yupua分支语音重建与分类数据集

2025年12月7日

数据集概述该数据集收录了来自Koch-Grünberg（1914）和Huber and Reed（1992）的词汇，通过历史比较法重建原始语言的语音系统，涉及Desano、Siriano、Yupua、Tanimuka和Yahuna五种语言，重建了四个原始语支，为图卡诺语系分支分类提供语音数据支持。文件详解...

ZIP

博罗罗语语料库0_3版

2025年12月6日

数据集概述本数据集为博罗罗语语料库（CorBo）的0.3版本，包含更多数据、OLAC格式元数据及改进的标注内容，是一个语言研究领域的语料库资源。文件详解文件名称: LanguageStructure/Bororo-Corpus-v0.3.zip 文件格式: ZIP压缩包内容说明: 压缩包内包含博罗罗语语料库的全部数据，具体内容需解压后查看。...

ZIP

CT_FAN多语言假新闻检测数据集2022

2025年12月5日

数据集概述该数据集为多语言假新闻检测任务设计，包含2010-2022年英文和德文新闻文章，标注其真实性评级（假、部分假、真、其他）及主题领域，支持跨语言迁移学习研究，适用于构建多语言假新闻分类模型。文件详解文件名称：FakeNews_Task3_2022.zip 文件格式：ZIP压缩包内部数据字段： ID：新闻文章唯一标识符...

ZIP

梵语词分割数据集

2025年12月4日

数据集概述该数据集针对梵语词分割任务构建，包含约十一万五千个句子，每个句子提供输入字符序列、真实分割结果及所有语音可能分割的词汇和形态信息，为梵语手稿的句法与语义处理提供基础数据支持。文件详解该数据集包含七个文件，具体说明如下： - 压缩文件： - DCS_pick.zip：压缩文件，可能包含实验相关的Pickle格式数据 -...

ZIP

宾夕法尼亚德语词表_词形还原与词性标注

2025年12月4日

数据集概述该数据集包含ENDE语料库中宾夕法尼亚德语部分的词表，涵盖1761个词元及其对应的2704个词形，已完成词形还原和词性标注，为宾夕法尼亚德语的语言分析提供基础数据。文件详解词表数据文件：文件名称：ENDE-corpus POS-annotated PDC lexicon.tsv 文件格式：TSV（.tsv）...