Dataset Card for zh-taiwan

zh-taiwan 是一個繁體中文之語音資料集，總計 2,740 筆音頻（train 2,698 / val 14 / test 28），音訊取樣率為 16 kHz。每筆資料包含音頻、音頻長度、繁體中文文本與對應之正規化（簡體）文本，適用於繁體中文之語音合成（TTS）或語音辨識（ASR）模型訓練與評測。

本資料集原始來源為 ivanzhu109/zh-taiwan，本 repository 僅作為鏡像與格式整理之版本，原始著作權歸原作者所有。

Dataset Details

Dataset Description

本資料集提供 train / val / test 三個子集，每筆資料包含下列欄位：

• audio：16 kHz WAV 音頻；
• text：繁體中文文本，其中英文詞彙以全大寫形式保留（如 FIREFOXONANDROID、GOOGLE）；
• normalized_text：對應之簡體中文正規化文本，保留相同英文大寫形式；
• duration：音頻長度（秒）。

同時保留繁體與簡體版本之文本，便於繁中語音模型於訓練時使用繁體輸出，也保留與原始簡體文本之可比對性。

• Curated by: Liang Hsun Huang
• Language(s) (NLP): Traditional Chinese / Simplified Chinese
• License: Apache 2.0

Dataset Sources

• Repository: lianghsun/zh-taiwan
• Upstream Dataset: ivanzhu109/zh-taiwan

Uses

Direct Use

本資料集主要設計用於：

• 繁體中文語音合成（TTS）模型之訓練與評測；
• 繁體中文自動語音辨識（ASR）模型之訓練或評測；
• 研究中文文本正規化與語音對齊之處理流程；
• 作為小型繁中語音任務之原型驗證素材。

Out-of-Scope Use

本資料集不適用於下列用途：

• 作為大規模語音預訓練之主要語料，因資料量僅約 2,700 筆。
• 作為口音或方言研究之權威素材，本資料集未附帶說話者人口統計資訊。
• 涉及語音生物辨識或聲紋追蹤之應用，本資料集不提供說話者身份標註。
• 作為台語（閩南語）或客語之訓練資料，本資料集僅涵蓋華語。

Dataset Structure

{
  "duration": 7.24,
  "text": "這可能是第一個FIREFOXONANDROID的版本CREDIT。",
  "normalized_text": "这可能是第一个FIREFOXONANDROID的版本CREDIT。",
  "audio": {"bytes": <WAV bytes>, "path": "..."}
}

欄位	型別	說明
duration	float64	音頻長度（秒）
text	string	繁體中文文本（英文詞彙以全大寫保留）
normalized_text	string	正規化之簡體中文文本
audio	Audio	音頻檔（16 kHz WAV，內嵌於 parquet）

切分	筆數	資料大小
train	2,698	~515 MB
val	14	~2.5 MB
test	28	~5 MB

Dataset Creation

Curation Rationale

繁體中文之公開語音資料集長期不足，且既有資料多以簡體中文為主，對繁中 TTS 與 ASR 模型之訓練造成瓶頸。本資料集提供繁體中文版本之文本與對應音頻，作為繁中語音任務之小型基礎素材。

Source Data

Data Collection and Processing

原始資料來自 ivanzhu109/zh-taiwan。音頻為 16 kHz WAV 格式，文本經文字正規化（英文詞彙大寫、標點規整）並同時保留繁體與簡體兩個版本。資料依原始 repository 之切分方式分為 train / val / test 三個子集。本 repository 僅為鏡像與 parquet 格式整理。

Who are the source data producers?

原始音頻與文本由 ivanzhu109/zh-taiwan 之作者 ivanzhu109 蒐集並釋出，本資料集未附帶說話者身份、性別、年齡等人口統計資訊。

Annotations

Annotation process

文本正規化（normalized_text）為自動處理之結果，將英文詞彙統一為全大寫並規整標點符號。繁體文本為對應之繁中版本。

Who are the annotators?

不適用（自動處理）。

Personal and Sensitive Information

本資料集不包含說話者身份資訊。音頻內容為一般新聞或公開發表之文本，未涉及個人隱私。

Bias, Risks, and Limitations

• 資料量小（總計 2,740 筆），不足以單獨訓練大型語音模型。
• 文本中英文詞彙以全大寫形式保留，對某些 tokenizer 或 grapheme-to-phoneme（G2P）處理流程可能需要額外適配。
• 缺少說話者 ID、性別、年齡、腔調等人口統計標籤。
• 16 kHz 之取樣率低於現代 TTS 模型常用之 22/24 kHz，用於生成任務時可能影響音質。
• 文本內容之領域分佈與時效性未明確標註，模型可能受限於特定主題範圍。

Recommendations

建議使用者：

• 將本資料集作為小型驗證素材，搭配其他繁中語音資料集（如 TAT、Common Voice zh-TW）進行大規模訓練；
• 若需 22 kHz 或更高取樣率之音頻，應評估上採樣品質之影響；
• 使用前檢視 text 與 normalized_text 之大寫規則是否符合下游流程之需求。

Citation

@misc{zh-taiwan,
  title        = {zh-taiwan: Traditional Chinese Speech Dataset},
  author       = {Liang Hsun Huang},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/zh-taiwan}},
  note        = {Traditional Chinese speech dataset with 2,740 audio clips (train/val/test) at 16 kHz.}
}

Dataset Card Authors

Liang Hsun Huang

Dataset Card Contact

Liang Hsun Huang