济南方言语音数据库
数据集介绍
一、产品概述
济南方言语音数据库共208小时。录音语言为济南方言；录音地区为中国济南。共邀请336名录音人，在安静环境下使用手机进行录制。此数据库经过专业校对，字正确率达到96%以上，可用于声纹识别、语音识别等研究。
二、录音语料
录音文本结果
此数据库朗读部分文本为对话闲聊部分，如朋友、家人的问候，同事的沟通以及客服的咨询等日常聊天内容。每个人录制的文本数目不同，具备的比例如下所示：
句数 · 人数 · 占比（100%）
0~500 · 82 · 24.40
500~1K · 240 · 71.43
1K~1.5K · 5 · 1.49
1.5K~7.5K · 9 · 2.68
语料池处理
脱敏处理，删除政治敏感、个人隐私、色情暴力等内容。 删除< , > , [ , ] , ～, / , \ , = 等特殊符号，数字串部分除外。 删除含有中文和英文以外语言的内容。 统一格式。
三、发音人信息
性别比例
数据库总人数为336人，男122人，女214人。
性别 · 男性 · 女性 · 合计
占比 · 36.3% · 63.7% · 100%
年龄比例
录音人年龄具体分布如下所示：A(18-25岁)；B(26-40岁)；C(41-50岁)；D(51+岁)。
· 年龄段 · 人数 · 占比
A · 18-25岁 · 79 · 23.51%
B · 26-40岁 · 160 · 47.62%
C · 41-50岁 · 91 · 27.08%
D · 51+岁 · 6 · 1.79%
合计 · · 100% · 336
四、数据录制
录制环境
安静室内，无回音，无其它人说话。
录制设备
手机为市面上常见的手机，如苹果、华为、小米、oppo等。数据存储格式为16kHz，16bit wave文件。
录制方法
朗读部分录音人在安静室内通过手机小程序近讲录制，自然朗读文本，禁止棒读。
录制时长分布
录音人随机获取文本，自然朗读，单人录制时长不超过20小时，不低于1分钟，其中62%数据时长在[1500s~2000s]之间，具体录制时长分布如下：
时长(秒) · 人数 · 占比（100%）
0~1K · 7 · 2.08
1K~1.5K · 18 · 5.36
1.5K~2K · 210 · 62.50
2K~3K · 72 · 21.43
3K~5K · 19 · 5.65
5K~25K · 10 · 2.98
五、语音数据转写
数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。一般准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式, 如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）音频中有英文发音的应写成相应的汉字或英文。具体分为以下几种情况：网址中包含的所有的字母或单词，均为大写。例如：发音内容为”www”, 应转写为“三W点A B C点com”发音中包含的英文单词，转写时全部为小写。发音中包含的英文字母，转写时全部为大写。对于一些大写专有名词，大写且不加空格，例如：CEO、NBA等。4）标注内容的完整性要与实际发音一致，不得删减。5）除传统说法（如一周、一年、农历初二）、专有词汇（如十年磨一剑）、模糊词（一二百、三四个）外，其余数据全部是阿拉伯数字。
六、数据文件目录
目录结构
数据目录树数据目录结构
│数据目录结构
└─DOC（文本说明文件）
││├─content.txt（转写内容列表）
││├─spk-info.txt（录音人信息表）
└─SPEECHDATA（音频文件夹）
││├─J001（录音人编号）
│││├─J001W000001.wav（音频文件）
命名规则
目录命名规则
<CORPUS>/<USAGE>/<SpeakerID>/<wav_ID>e.g./SPEECHDATA/J001/J001W0000001.wav
目录 · 内容 · 备注
CORPUS · · 数据库名称
USAGE · SPEECHDATA · 文件夹名称
SpeakerID · J001 · 录音人编号
wav_ID · J001W0000001.wav · 音频文件
文件命名规则
<SpeakerID>_<wav_ID>e.g. J001W0000001.wav
文件 · 内容 · 备注
SpeakerID · J001 · 录音人编号
<SpeakerID>_<wav_ID> · W000001.wav · 音频ID
数据样例下载
样例
- 音频样例 1