Please fill in the information below to request access to this dataset. ⚠️ Make sure to provide a valid and frequently-used email address — the review result (approved / rejected) will be sent to that email, so please check your inbox regularly (including the spam / junk folder).

请填写以下信息以申请访问本数据集。⚠️ 请务必填写真实且常用的邮箱地址，审核结果（通过 / 拒绝）将发送至该邮箱，请及时查收（并留意垃圾邮件文件夹）。

Teochew-Wild：首个正字标注的野外潮州话数据集

中文 | English

本数据集（Teochew-Wild）是从网络上发音清晰、噪声较少的音视频内容中获取的，原始音视频的数据来源为：民生新闻、潮汕讲古、地方电视节目、故事书、抖音自媒体口播等，我借鉴了Emilla提出的数据集自动处理流水线，对原始数据进行归一化、降噪和剪切（部分自动剪切效果差的使用手工修正）；

Teochew-Wild总共包括20个发音标准、念错率低的潮汕母语说话人、共12500条音频片段，包含潮州市区、汕头市区、澄海、榕江音、潮安南部等多个区域的口音，语料内容覆盖书面用语与口头用语，并同时提供正字和拼音标注，是首个公开可用、标注准确率高的潮州话数据集，主要面向语音识别和语音合成任务。

文件说明（File Structure Explanation）

├── annotation/                 # 标注相关文件夹
│   ├── label_for_qwen_asr/     # 预处理标签文件夹，完全适配Qwen-ASR模型读取格式
│   ├── alignments/             # 每一个音频文件的MFA对齐数据
│   ├── annotation.txt          # 格式化后的标注文件，方便AI模型输入，格式为： S001/S001F001/S001F001C001.wav|S001|伊祇个人|i1 zi2 gai5 nang5
│   ├── annotation_ipa.txt      # 格式化后的标注文件，使用国际音标（IPA），格式为： S001/S001F001/S001F001C001.wav|S001|伊祇个人|i˧ tsi˥˧ kai˥ naŋ˥
│   ├── raw_annotation.txt      # 原始标注文件，方便检查字-音错误，格式为： S001/S001F001/S001F001C001.wav|伊@i1 祇@zi2 个@gai5 人@nang5
│   └── raw2annotation.py       # 一个python脚本，用于将 raw_annotation.txt 转为 annotation.txt、annotation_ipa.txt、label_for_qwen_asr；(python3 annotation/raw2annotation.py --mode all)
├── speaker_info.csv            # 说话人信息表格：说话人身份,S-id,性别,口音/地区,描述,身份,年龄段,数据来源
├── imgs/                       # 图片文件夹
│   └── tencent_discord.jpg     # 腾讯频道二维码
├── README.md                   # 项目说明文档（本文档）
└── teochew_wild.zip            # 数据集压缩包，包含wav音频

pyPengIm 文本处理工具

pyPengIm是潮汕话语音合成（text-to-speech，TTS）的铺垫工作，用于潮汕话的文本端处理，具有以下功能：

1、从汉字输入，并输出对应的潮汕话拼音，默认情况下输出常用、高频的读音，也支持输出所有的读音。

2、具有分词功能和多音字消歧功能。

3、默认以潮州市区的府城音为标准，并支持将其转换到汕头市区音、揭阳市区音、澄海口音等。

4、支持将普通话的词汇，转为更地道的潮汕话口语表达。

5、支持将潮州拼音转换到国际音标（IPA），或者拆分成【声母+韵母】的格式。

更新日志

2026/10/09: 修改了几处错误（主要是OCR带来的形近字错误以及词汇没映射为方言词）：【祇】【祗】统一作【衹】，【畬】统一作【畲】，【已任】改【己任】，【火麸土】改【火麸塗】，【字旁】改【字畔】；

拼音：猛mêng2->mên2、蓝nang5->nan5等。

alignments.zip 中对应的 TextGrid 已同步修改。
2026/10/08: 修改部分标注错误，如 uêng 的 IPA映射、某些item缺字（ @dêng5 -> 亭@dêng5）； m、n、ng之后的元音统一带上鼻化韵；增加 MFA 对齐数据; 调整文件夹格式（标注文件移入 annotation/，图片移入 imgs/）；修复 raw2annotation.py 中缺失的 IPA 韵母（anh/onh/uênh）；新增英文版说明 README_en.md。
2026/07/26:

修改部分标注和音频错误：S001F008C004、S001F008C033、S001F008C041、S001F008C044、S001F008C053、S004F002C041、S004F006C054、S004F006C055、S008F003C117、S017F001C035、S017F003C043、S018F001C173、S019F011C000。

新增国际音标（IPA）标注文件；

新增 raw2annotation.py 脚本，用于转换几种标注文件的格式（raw_annotation.txt to annotation.txt、annotation_ipa.txt、label_for_qwen_asr）：
```
  # 只生成 annotation.txt
  python3 raw2annotation.py --mode annotation

  # 只生成 label_for_qwen_asr 三个 jsonl（默认比例 88%/5.6%/6.4%，即 11000/700/800）
  python3 raw2annotation.py --mode qwen

  # 只生成潮拼->IPA 的标注文件
  python3 raw2annotation.py --mode ipa

  # 一次性生成全部三种输出
  python3 raw2annotation.py --mode all
```
2025/12/04: 新增腾讯频道“AI潮汕话”社区，方便不翻墙情况下的交流体验。

频道交流群：1079414481

PC网页端访问：https://pd.qq.com/s/13fb621f2

手机QQ/微信小程序端：
2025/04/28: 修改了由于OCR错误引发的拼音标注的错误（客[keh]->[kêh4]））；修改【𠶧】，将其分为【昣@diang1】和【倎@diang5】，分别表示“时候”、“谁”；修改S010说话人（庵埠）的闭口音为开口音（[-Xm]->[-Xng]、[-Xb]->[-Xg]）
2025/03/22: 修改了部分拼音标注的错误（侍、抚、暝暗等）；修改了S001F008C068.wav的音频错误；调整了压缩包的文件夹格式
2025/03/21: Teochow-Wild 论文正式被 ICME 2025 接收

元数据

属性	值
通道数	1
采样率	22050 Hz
编码格式	16-bit Signed Integer PCM
文件格式	wav
说话人数量	20
性别比	11：9
总时长	18.87 小时
音频数量	12500
平均时长	5.43 秒
总字数	274020
标注方式	汉字正字+潮州拼音
DNSMOS值	3.12 ± 0.32

说话人信息

说话人身份	S-id	性别	口音/地区	描述	身份	年龄段	数据来源
薯条讲古	S001	男	潮阳关埠（榕江音）	讲古、地方文化	自媒体、讲古人	青	B站
许友文	S002	男	汕头市区	民生新闻、电视节目	电视主持人、播音员、自媒体	老	B站、抖音
牌坊街故事	S003	男	潮州市区	地方文化、牌坊街故事	自媒体	中	抖音
老猪震	S004	男	潮州市区	时事点评、电视节目	电视主持人	中	潮州电视台
婉玉	S005	女	潮州市区	时事点评、电视节目	电视主持人	中	潮州电视台
陈维斯	S006	女	汕头市区	民生新闻、电视节目	电视主持人、播音员	中	B站、抖音
李清	S007	女	潮州市区	电视节目	电视主持人	青	抖音、潮安融媒
陈启亮	S008	男	潮安古巷（偏澄海、无闭口）	讲古、地方文化	讲古人	中	潮安融媒
风入松文旅	S009	男	潮州市区-标准府城音	文旅介绍、地方文化	自媒体	中	抖音
林艳儿	S010	女	潮安庵埠	电视节目	播音员	青	潮安融媒
李佳轩	S011	女	潮安龙湖	讲古、地方文化	讲古人	小	潮安融媒
陈清心	S012	女	澄海	时事点评、顺口溜	自媒体、主持人	青	抖音
欣盈	S013	女	汕头市区	民生新闻、电视节目	电视主持人、播音员	中	大华网、抖音
奕扬	S014	女	汕头市区	民生新闻、电视节目	电视主持人、播音员	青	大华网、抖音
林瑞宾	S015	男	汕头市区	民生新闻、电视节目	电视主持人、播音员	青	大华网、抖音
张烁	S016	男	汕头市区	民生新闻、电视节目	电视主持人、播音员	青	大华网、抖音
种豆日记	S017	女	潮州市区	绘本故事	有声读物自媒体	青	喜马拉雅
William潘	S018	男	潮安中部	《东周列国志》	有声读物自媒体	青	喜马拉雅
潮听江煜	S019	男	潮州市区-标准府城音	说文解字、古文朗读	播音员、自媒体	老	抖音
潮汕解局	S020	男	揭阳登岗（榕江音）	国际形势	自媒体	老	抖音

文件结构

- S001(Speaker)
  - S001F001(File)
    - S001F001C000.wav(Clip)
  - S001F002
    - S001F002C000.wav
- S002
  - S002F001
    - S002F001C000.wav

标注文件格式

汉字部分以 歹看正字法（PKO） 标注，拼音部分以潮州拼音（Teochew Pinyin）标注，一般情况下只标注原调，不标注变调（除非该说话片段的变调较特殊，按变调标）；说话人念错发音，则按错音标注。

<wav_path>|<speaker>|<Chinese Character>|<Teochew Pinyin>
S001/S001F001/S001F001C001.wav|S001|伊祇个人|i1 zi2 gai5 nang5

原始标注文件(raw_annotation)，主要是方便检查标注的错误，格式如下：

<wav_path>| <Chinese Character>@<Teochew Pinyin> <Chinese Character>@<Teochew Pinyin> ...
S001/S001F001/S001F001C001.wav|伊@i1 祇@zi2 个@gai5 人@nang5

引用

如果teochew-wild数据集或pyPengIm文本工具对您有所帮助，请引用我的论文：

@INPROCEEDINGS{11209855,
  author={Pan, Linrong and Jiang, Chenglong and Hou, Gaoze and Gao, Ying},
  booktitle={2025 IEEE International Conference on Multimedia and Expo (ICME)}, 
  title={Teochew-Wild: The First In-the-wild Teochew Dataset with Orthographic Annotations}, 
  year={2025},
  volume={},
  number={},
  pages={1-6},
  keywords={Accuracy;Annotations;Propulsion;Text to speech;Automatic speech recognition;Speech corpus;Teochew dialect;ASR;TTS},
  doi={10.1109/ICME59968.2025.11209855}}