香港立法會會議語音數據集 Dataset Description License: CC0 1.0 Universal Language: Cantonese Audio Format: 16kHz OPUS Total Duration (Raw): 22,195.55 hours Total Duration (Segmented): 20,71.21 hours Average Meeting Duration: 5692.79 seconds (1.58 hours) Average Segment Duration: 7.71 seconds Median Meeting Duration: 6153.00 seconds (1.71 hours) Median Segment Duration: 8.17 seconds Total number of characters: 377,722,545 Average characters per segment: 39.52 Median characters per segment: 40 本數據集係由香港立法會會議製成嘅大規模語音數據集。原始錄音總時長 22,196 個鐘，切分語音後總時長 20,471 個鐘。數據集分兩個子集， raw 同 segmented ，分別為原始錄音同VAD識別切分後嘅語音。 數據集製作流程 1. 先去香港特別行政區立法會 YouTube下載所有會議紀錄並轉為 16kHz 採樣率嘅 OPUS音頻 1. 用 fsmn vad 切分所有語音，並用 Qwen3 ASR 1.7B 轉寫成粵文 srt 字幕 1. 轉寫後用正則表達式修正字幕中常見轉寫錯誤 1. 將數據集分成 raw 、 segmented 兩個子集傳到HF 子集 subset raw segment 總行數 Row number 14,036 9,557,109 總時長 Total duration 22,195.55 hr (79,903,980.00 s) 20471.21 hr (73,696,365.27 s) 平均時長 Average duration 1.58 hr (5692.79 s) 7.71 s 中位時長 Median duration 1.71 hr (6153.00 s) 8.17 s 平均字數 Average subtitle characters 26,910.98 39.52 中位字數 Median subtitle characters 29,219.00 40.00 數據列 segment 名稱 類型 描述 video id string 源 YouTube 影片 ID segment id int 字幕 SRT 文件中嘅片段 ID audio Audio 音頻 text s…
We use cookies for essential functionality and analytics. You can accept or reject analytics cookies.Cookie policy