家居场景语控词语音数据库

一、产品概述

家居场景语控词语音数据库，共邀请399人在安静环境下通过高保真麦克风进行录制。拾音点位共7个，每个点位拾音80.78小时，共565小时，采样率48kHz，比特率16bit。此数据库经过专业语音校对人员转写标注，并通过严格质量检验，文本正确率在95%以上。

二、录音人信息

性别比例

数据库总人数为399人，男209人，女190人。

性别 · 男性 · 女性 · 合计

比例 · 52% · 48% · 100%

年龄比例

录音人年龄覆盖16~50岁，具体分布如下。

· 年龄段 · 人数 · 比例

A · 16-25岁 · 149 · 37.3%

B · 26-40岁 · 185 · 46.4%

C · 41-50岁 · 65 · 16.3%

合计 · 399 · 100% ·

口音分布

录音人在7个地区均匀分布，具体如下：

序号 · 地区 · 人数

1 · 福建 · 57

2 · 广东 · 57

3 · 广西 · 57

4 · 江苏 · 57

5 · 上海 · 57

6 · 四川 · 57

7 · 浙江 · 57

合计 · · 399

三、录制环境

录制场地

广东、广西、四川、福建、江苏、浙江和上海共七个地方城市，录制环境为安静室内。

录制设备

录制设备为高保真麦克风和录音机。本数据库数据存储格式为48kHz、16bit单声道。

录制方法

安静室内布置7个点位，包含1个0.5米近讲点位，6个功能点位。功能点位固定在1、3、5米，每个功能点位2个麦克风，麦克风之间的间距为15cm，如下图所示：

四、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）数字要转写为中文汉字形式, 如“一二三”，而不是“123”。3）英文按单词小写，拼读发音需写成大写字母加空格，如， “W W W dot Google dot com”，“C E O”。4）标注内容的完整性要与实际发音一致，不得删减。

五、数据文件目录

目录结构

数据目录树数据目录结构

└─DOC（文本说明文件）
││├─wav_list.txt（音频列表）
││├─content.txt（转写内容列表）
││├─spk-info.xlsx（录音人信息表）
└─SPEECHDATA（音频文件夹）
││├─M0001（录音人编号）
││├─M0001.txt（转录文本）
││├─wav（音频文件夹）
││ ││ M0001P01W0001.wav（音频文件）

命名规则

CORPUS/USAGE/SPEAKER_ID/AUDIO_DIR/SPEECH_IDe.g./SPEECHDATA/M0001/wav/M0001P01W0001.wav目录名称内容备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 音频文件夹

SPEAKER_ID · M0001 · 录音人编号

AUDIO_DIR · wav · 音频文件夹

SPEECH_ID · M0001P01W0001.wav · 音频文件

数据样例下载

点击下载数据样例（数据样例.zip）