yoruba-text 是数据集领域的开源项目，由 Niger-Volta-LTI 开发，2018 年首次发布。
它收录于数据集分类，该分类目前共有 279 个项目，GitHub 星标数为 84。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-06-29。GPL-3.0许可，完全免费，无付费版本。
它主要面向的使用场景是：约鲁巴语语音识别模型训练与评估。同类可对比的替代方案包括 YorubaTTS、African NLP Datasets、Masakhane。
yoruba-text
为约鲁巴语AI模型提供高质量训练文本，助力低资源语言NLP落地。
yoruba-text 是一个专注于约鲁巴语（Yorùbá）自然语言处理的开源数据集与工具项目，旨在为 NLP、语音识别（ASR）和语音合成（TTS）任务提供高质量的训练文本。项目解决了约鲁巴语作为低资源语言在机器学习领域缺乏标准化语料的问题，通过整理和标注约鲁巴语文本，支持开发者训练和理解该语言的模型。核心能力包括提供带声调标记的约鲁巴语句子、词频统计、文本清洗与预处理脚本，以及用于评估模型性能的基准数据。项目以 Python 编写，易于集成到现有 NLP 流程中，适合语言学研究者、AI 工程师和非洲语言技术开发者使用。
开源
free
音频音乐
GitHub 星标
★ 84
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类音频音乐
开发团队Niger-Volta-LTI
所属国家
定价模式free
价格说明开源项目，GPL-3.0许可，完全免费，无付费版本。
访问状态
是否开源是
开源协议GPL-3.0
主要语言Python
技术栈/模型african-languages,asr,diacritization,machine-translation,natural-language-processing,nlp,nlp-datasets,training-dataset,tts,yoruba
GitHub 星标★ 84
30天Star增速
HF 下载量
上线时间2018-01-17 00:00:00
最近更新2026-06-29 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4
使用教程
核心亮点
- 专注低资源语言约鲁巴语，填补NLP语料空白，具有独特价值
- 提供带声调标记的文本，符合语言特性，利于ASR/TTS训练
- Python接口简洁，易于与Hugging Face等工具链集成
不足之处
- 语料规模可能有限，覆盖领域和场景不够广泛
- 文档和社区支持尚不完善，上手需要一定语言学背景
适用场景
- 约鲁巴语语音识别模型训练与评估
- 约鲁巴语文本到语音合成系统开发
- 非洲语言NLP研究与教学实验
替代项目
YorubaTTS、African NLP Datasets、Masakhane
项目介绍
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models