音频普通话

大会数据

数据集介绍

一、产品概述

会议演讲音频数据库录音时长1459小时，音频来自互联网会议，为真实会场的中控台录音，音频采样率为16kHz，16bit。录音文本涉及科技、金融、教育等16个领域。数据经过专业语音校对人员转写标注，并通过严格质量检验，此数据库文本正确率在97%以上。

二、录音语料

语料池的制作

语料池内容

考虑到语料多样性，语料在17个领域中选定。

序号 · 领域ID · 内容

1 · MTGC · 科技

2 · MTGA · 金融

3 · MTGD · 医疗健康

4 · MTGE · 体育

5 · MTGF · 教育

6 · MTGG · 娱乐

7 · MTGI · 房地产

8 · MTGH · 文学艺术

9 · MTGJ · 交通物流

10 · MTGM · 政府报告

11 · MTGK · 汽车

12 · MTGB · 生活服务

13 · MTGO · 创业管理

14 · MTGL · 电商零售

15 · MTGN · 人物访谈演讲

16 · MTGP · 多媒体

17 · MTGQ · 其他

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 < , > , [ , ] , ～ , / , \ , = 等符号。
删除含有中文和英文以外语言的内容。
删除单句含有25字以上的内容。
统一格式。

录音文本的结构设计

考虑到语音覆盖及音素平衡，此数据库录音文本领域覆盖17类，具体结构如下。

序号 · 领域 · 每份分配量/占比(%)

1 · 科技 · 43.78

2 · 金融 · 9.54

3 · 医疗健康 · 3.28

4 · 体育 · 0.72

5 · 教育 · 3.94

6 · 娱乐 · 2.55

7 · 房地产 · 0.54

8 · 文学艺术 · 1.49

9 · 交通物流 · 0.24

10 · 政府报告 · 1.25

11 · 汽车 · 1.59

12 · 生活服务 · 2.41

13 · 创业管理 · 3.31

14 · 电商零售 · 1.78

15 · 人物访谈演讲 · 8.81

16 · 多媒体 · 1.97

17 · 其他 · 12.8

合计 · · 100

三、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.abc.com”, 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，或者一些英文缩写全部大写加空格，例如：C E O、C C T V等。4）标注内容的完整性要与实际发音一致，不得删减。