印地语语音数据

一、产品概述

语音数据库共568小时。录音语言，印地语。录音地区，印度。录音文本涉及教育、科技、娱乐、健康等10个领域。580名来自印度不同区域的发言人参与录制。录制过程在安静室内环境中，使用手机（16kHz，16bit）进行录制。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95%以上。

二、录音语料

语料池的制作

语料池内容

录音文本领域统计表。

序号 · 领域

1 · 教育

2 · 娱乐

3 · 科技

4 · 健康

5 · 生活方式&时尚

6 · 新闻

7 · 社交闲聊

8 · 商业&金融

9 · 体育

10 · 小说

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。
• 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，此数据库录音文本采用每份420句的分配方式设计，从语料池中抽取，结构如下。

序号 · 领域 · 每人分配/句

1 · 教育 · 40

2 · 娱乐 · 30

3 · 科技 · 35

4 · 健康 · 20

5 · 生活方式&时尚 · 50

6 · 新闻 · 80

7 · 社交闲聊 · 120

8 · 商业&金融 · 20

9 · 体育 · 20

10 · 小说 · 5

合计 · 420 ·

三、发音人信息

基本信息记录

发音人信息记录内容包括任务编号、性别、年龄区间。

任务编号 · 性别 · 年龄区间

H0001 · 男 · A

任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。年龄区间：A(18岁以下)、B(18-25岁)、C(26-40岁)、D(40岁以上)。

发音人结构特征

性别比例

性别 · 男性 · 女性 · 合计

比例 · 53% · 55% · 100%

年龄比例

· 年龄段 · 比例

A · ＜18岁 · 5%

B · 18-25岁 · 68%

C · 26-40岁 · 19%

D · > 41岁 · 9%

合计 · 100% ·

四、数据录制环境

录制环境

安静室内，不包括明显的其他人说话声音及其他噪音，无回音。发言人按照正常语速，朗读录音文本。

录制设备

录制设备包括iOS系统手机、Android系统手机。

录制方法

发音人距离手机20厘米，以讲话正常音量，正常语速，朗读录音文本。

五、产品目录结构

目录结构

数据目录结构数据目录结构

└─DOC（文本说明文件）
││├─wav_list.txt（音频列表）
││├─content.txt（语音文本内容）
││├─spk_info.xlsx���录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─H0005（录音人文件夹）
││ ││ H0005W0001.wav（音频文件）
││ ││ H0005W0001.txt（文本文件）

命名规则

CORPUS/USAGE/SPEAKER_NUM/SPEECH_IDe.g./SPEECHDATA/H0005/H0005W0001.wav

目录名称 · 内容 · 备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 文件夹名称

SPEAKER_NUM · H0005 · 录音人文件夹名称

SPEECH_ID · H0005W0001.wav · WAV文件

SENTENCE_ID · H0005W0001.txt · TXT文件

数据样例下载

点击下载数据样例（数据样例.zip）