Live-streamed dialect speech database

1. Product Overview

A dialect speech database totaling 157,614 hours. The data is primarily sourced from video platforms such as Douyin, Kuaishou, Haokan, Xigua Video, Bilibili, and iQIYI, and consists of publicly available audio and video content online. Dialects cover 29 regions, including Beijing, Hong Kong, Tibet, Sichuan, and others. Sampling rate: 16,000 Hz; bit depth: 16 bits; sourced from over 7,000 speakers.

2. Data Classification

This database covers a total of 29 regions, with the following distribution of dialect durations:

Serial No. · Dialect Region · Region Code · Duration (hours) · Percentage of Total Duration (100%)

1 · Anhui · AH · 6,666 · 4.23%

2 · Macao · AM · 1,464 · 0.93%

3 · Hainan · HAIN · 951 · 0.60%

4 · Hakka · KJ · 484 · 0.31%

5 · Southern Min · MN · 18,360 · 11.65%

6 · Shanghai · SH · 47 · 0.03%

7 · Hong Kong · XG · 6,082 · 3.86%

8 · Ningxia · NX · 2,224 · 1.41%

9 · Jiangxi · JX · 3,693 · 2.34%

10 · Shandong · SD · 9,857 · 6.25%

11 · Hebei · HEB · 2,460 · 1.56%

12 · Qinghai · QH · 448 · 0.28%

13 · Henan · HEN · 1,361 · 0.86%

14 · Taiwan · TW · 4,461 · 2.83%

15 · Tianjin · TJ · 7,427 · 4.71%

16 · Hubei · HUB · 4,853 · 3.08%

17 · Northeast China · DB · 3,111 · 1.97%

18 · Guangdong · GD · 19,171 · 12.16%

19 · Sichuan · SC · 13,931 · 8.84%

20 · Changsha · CS · 580 · 0.37%

21 · Tibet · XZ · 130 · 0.08%

22 · Xinjiang · XJ · 271 · 0.17%

23 · Gansu · GS · 2,282 · 1.45%

24 · Chongqing · CQ · 11,267 · 7.15%

25 · Inner Mongolia · NM · 3,650 · 2.32%

26 · Beijing · BJ · 18,465 · 11.71%

27 · Yunnan · YN · 4,507 · 2.86%

28 · Guizhou · GZ · 5,166 · 3.28%

29 · Guangxi · GX · 4,245 · 2.69%

Total · · · 157,614 · 100%

3. Directory Structure and Naming Conventions

Directory Structure

The data directory tree structure is as follows:

└─SPEECHDATA（Audio Folder）
││├─BJ（Dialect Category）
││ ││ bj0000001.wav Audio File）

Naming Conventions

CORPUS/USAGE/SPEAKER_ID/SPEECH_IDe.g./SPEECHDATA/BJ/bj0000001.wav

Directory Name · Content · Notes

CORPUS · · Speech Database ID

USAGE · SPEECHDATA · Audio Folder

SPEAKER_ID · BJ · Dialect Category Code

SPEECH_ID · Bj0000001.wav · Audio File

Data Sample Download

Click to download a data sample