hkcancor

香港粤语语料库（HKCanCor）包含1997年3月至1998年8月期间录制的转录对话，包括自发语音和广播节目，包含约23万个汉字。该语料库以词为单位进行分词，每个词都标注了词性（POS）和粤语拼音。其数据规模约为1万条对话，主要用于翻译、文本生成和对话建模等任务。语料库中的文本来源于原始录音，由专家进行标注，并采用CC-BY 4.0授权许可。数据集中每个实例都包含对话ID、发言人ID、轮次编号、PRF和UD2.0格式的词性标签，以及汉字和LSHK格式的拼音。