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…
Runs entirely in your browser via DuckDB-Wasm — this dataset's real data file is loaded once, then queried locally. Nothing is sent to a server.
We use cookies for essential functionality and analytics. You can accept or reject analytics cookies.Cookie policy