Moroccan Darija vs Non-Darija Text Dataset

kaggle2025-12-13 更新2026-01-10 收录

语言识别

方言处理

数据链接：

https://www.kaggle.com/datasets/ayoubalaoui0/moroccan-darija-vs-non-darija-text-dataset 数据链接链接失效反馈

官方服务：

资源简介：

Binary text corpus for Moroccan Darija language identification

用于摩洛哥达里贾语语言识别的二进制文本语料库

创建时间：

2025-12-13

hcoxec/german_finnish

语言识别

机器学习

--- dataset_info: features: - name: sentence dtype: string - name: language dtype: string splits: - name: train num_bytes: 18066593 num_examples: 100000 download_size: 9829

Hugging Face2024-06-07 更新120

Labeled Dataset Of Offensive Language In Arabic

语言识别

网络安全

Dataset Construction for the Detection of Anti-Social Behaviour in Online Commun

kaggle2023-08-29 更新100

doric-conversations

方言处理

自然语言生成

Doric Conversations数据集包含合成和人工审核的对话数据，旨在微调大型语言模型，使其能够仅使用Doric（东北苏格兰方言）进行回应。对话涵盖日常话题，并具有聊天式的结构。

Hugging Face2025-11-10 更新90

MadLook/arabic-whisper-multidialect

阿拉伯语语音

方言处理

Arabic Whisper多方言自动语音识别数据集是一个全面的阿拉伯语多方言语音识别数据集，专为Whisper模型微调而准备。该数据集包含了来自多个方言的高质量阿拉伯语音数据，包括现代标准阿拉伯语、埃及阿拉伯语和海湾阿拉伯语。数据集共有约105,000个音频-文本对，分为训练集、验证集和测试集，每个集合分别占总数据的90%、5%和5%。音频格式为16kHz单声道，文本为标准化的阿拉伯文字。

Hugging Face2025-11-13 更新110

hcoxec/german_spanish_mix

语言识别

机器翻译

该数据集包含100,000个训练样本，每个样本包含两个特征：sentence（句子）和language（语言），数据类型均为字符串。数据集的总大小为18,270,752字节，下载大小为9,828,884字节。数据文件路径为data/train-*。

Hugging Face2024-06-07 更新90