藏汉多领域文本句对数据集

Name: 藏汉多领域文本句对数据集
Creator: 西藏大学
Published: 2026-08-10T07:36:13+08:00

国家基础学科公共科学数据中心2026-08-10 收录

数据链接：

https://nbsdc.cn/general/dataDetail?id=6a76010ef175603b25c4483d&type=1 数据链接链接失效反馈

官方服务：

资源简介：

藏汉多领域文本句对数据集包含文本句对约1000万行，包含古籍、极乐原文、新闻、社交媒体、藏医药等领域。

提供机构：

西藏大学

TLUE (A Tibetan Language Understanding Evaluation Benchmark)

多语言处理

自然语言处理评估

TLUE是一个针对藏语言理解的大型评估基准，由西藏大学等机构开发。该数据集包含两部分：Ti-MMLU，涵盖67个子领域的多任务理解基准；Ti-SafetyBench，涵盖7个子领域的安全评估基准。数据集总共有22,963个评估问题，旨在推动藏语言模型的研发和评估，特别是在低资源语言环境中。

arXiv2025-03-15 更新1120

藏文文献典藏（古籍文献）手写体图像测试集

该测试集主要面向藏文文献典藏（古籍文献）的多风格字体文字识别研究与识别准确率评测需求建设，用于评估标准印刷品藏文识别综合准确率质量指标。数据基于藏文古籍木刻雕版及其早期精印本的高清扫描图像产生，字体类型为乌金体（有冠体，字形规整，常用于佛经、官方文告）。为反映历史文献在真实环境中的分布特征，样本涵盖因长期保存不当出现的黄化、污渍及墨迹晕染等自然退化情况，并进一步使用OpenCV系统性引入高斯、椒盐

国家基础学科公共科学数据中心10

多方言语音翻译数据

本数据集面向图文多模态藏汉机器翻译研究建设，契合解决纯文本藏汉翻译歧义问题的需求。背景为藏汉机器翻译领域现有资源多为百科、新闻等纯文本平行语料，缺乏公开图文多模态藏汉平行语料库。其意义在于通过文本与对应图像结合，帮助模型建立语言与视觉关联，提供语境信息以减少歧义，提升翻译准确性与场景适配度。产生方法上，依据藏文句子是否含歧义，划分“有歧义”与“无歧义”两类文本-图像对构建数据集。主要内容为图文藏汉

国家基础学科公共科学数据中心10

领域词汇语音/文本数据

本数据集为多领域融合的语音文本语料数据，数据格式包含WAV、MP3音频文件及TXT文本标注文件，音频与文本内容一一对应、标注规范准确。数据覆盖金融、法律、日常、地理、医疗、教育等主流领域专业词汇及常用语句，同时收录各类新兴词汇、网络新词及行业新术语。

国家基础学科公共科学数据中心20

藏汉混合语音识别测试数据集

该数据集为藏汉混合语音语料库，核心包含藏语三大方言（安多方言、康巴方言、卫藏方言）与汉语普通话混合后的语音-文本对数据，其中藏语每类方言与汉语普通话混合各200条，共600条，整体提供3个藏语方言参考文本文件和 3 个专属音频文件夹，属于结构化语音-文本对齐混合语料，可用于藏汉双语语音识别、跨语言语音转换等相关研究与工程开发。

国家基础学科公共科学数据中心10

藏汉多领域文本句对数据集

资源简介：

相关数据集