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。
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 84
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
同类项目推荐
mostlyai
开源
用差分隐私生成安全可用的合成数据，解决数据获取难题
Synthetic Data SDK ✨
OpusFilter
开源
配置式过滤平行语料，快速清洗出高质量句对
OpusFilter - Parallel corpus processing toolkit
greenmask
开源
一条命令把生产库脱敏成安全测试数据
Database anonymization and test data management
GraphGen
开源
用知识图谱自动造微调数据，省人工标注
GraphGen: Enhancing Supervised Fine-Tuning for LLMs with Knowledge-Driven Synthetic ···
datachain
开源
把散乱文件变成可版本管理的数据集，直接喂给 AI 模型
The Context Layer for unstructured data: typed, versioned datasets over S3, GCS, Azu···
Chatbot-Training-Corpus
开源
拿来即用的中英文聊天语料，快速启动你的对话模型训练
总结了一些可以用作聊天机器人训练实作的文字语聊，包含中英文不同语言
awesome-healthcare-datasets
开源
一页清单找齐医疗AI公开数据集，省去全网翻找
Healthcare and biomedical datasets, for AI/ML
DeepFish
开源
用真实水下鱼群图像，训练你的鱼类检测与分割模型
JCU DeepFish dataset
SynLogic
开源
大规模合成可验证推理数据，让模型逻辑更聪明
[NeurIPS 2025] The official repo of SynLogic: Synthesizing Verifiable Reasoning Data···