Nexdata/200475_Sentences_Chinese_Text_Normalization_Data

--- license: cc-by-nc-nd-4.0 --- ## Description 200,475 Sentences - Chinese Text Normalization Data. Annotate the special symbols and Arabic numerals in the sentences as Chinese characters. For more details, please refer to the link: https://www.nexdata.ai/dataset/1102?source=Huggingface # Specifications ## Data content 200,475 sentences of text were transcribed in Chinese characters; ## Data scale 200,475 original texts with 457,832 annotations; ## Content source Sentences extracted from various types of news, articles, novels, etc. ## Language Chinese; ## Annotation Annotate the special symbols and Arabic numerals in the sentences as Chinese characters; ## Applications TTS, Text normalization; # Licensing Information Commercial License--- 许可协议：知识共享署名-非商业性使用-禁止演绎4.0（CC BY-NC-ND 4.0） --- ## 数据集描述 200,475条语句——中文文本归一化（Chinese Text Normalization）数据集。需将语句中的特殊符号与阿拉伯数字标注为中文汉字。 如需了解更多详情，请访问链接：https://www.nexdata.ai/dataset/1102?source=Huggingface # 数据集规格 ## 数据内容 已使用汉字转录200,475条文本语句； ## 数据规模 共计200,475条原始文本，包含457,832处标注； ## 内容来源 取自各类新闻、文章、小说等公开文本中的语句； ## 语言 中文； ## 标注规则 将语句中的特殊符号与阿拉伯数字转换为中文汉字进行标注； ## 应用场景 可用于语音合成（Text-to-Speech, TTS）与文本归一化任务； # 许可信息 商业许可（Commercial License）

原始信息汇总

数据集概述

基本信息

• 数据集名称: 中文文本规范化数据
• 数据规模: 200,475 句文本，包含457,832 个注释
• 语言: 中文
• 许可证: CC-BY-NC-ND-4.0

数据内容

• 内容来源: 从各类新闻、文章、小说等中提取的句子
• 注释类型: 将句子中的特殊符号和阿拉伯数字注释为中文汉字

应用领域

• 主要应用: 语音合成（TTS）、文本规范化

搜集汇总

背景与挑战

背景概述

该数据集包含200,475个中文句子，主要用于文本规范化任务，特别标注了特殊符号和阿拉伯数字对应的汉字。数据来源于多种文本类型，适用于TTS和文本处理应用，需付费获取完整数据集。