license: cc-by-4.0 datasets:

• panlr/teochew_wild language:
• zh pipeline_tag: automatic-speech-recognition

模型简介

本模型是基于Whisper-medium微调的潮州话（潮汕话）正字识别模型（非普通话翻译），微调代码源自夜雨飘零的GitHub仓库。

在线演示

teochew_whisper

训练数据

训练数据来自首个开源的多说话人潮汕话数据集teochew-wild，包含约18.9小时、12,500条带正字标注的野外录音，覆盖潮州府城、汕头市区、潮安南部、澄海及榕江音等口音。

为规避谐音字歧义和多音字问题，数据集采用独创的**歹看正字法**标注，例如：

• 用【介】替代易混淆的【个】（避免"有个人"歧义）
• 用繁异字【祇】表示【这】（防止"只只猫"等怪异表达）

性能评估

在12,500条数据按11,000/700/700划分训练集/验证集/测试集后，RTX 3090上经过约10轮训练，字错误率（CER）如下：
（实验中对同音字标签进行了部分统一处理，如【仔】与【囝】、【二】与【两】合并）