远场语音助手语音数据库

一、产品概述

远场语音助手语音数据库共6200小时，邀请450名来自中国南北方区域发言人参与，以北方为主。录音语言，中文；录音地区，中国。录音文本内容为语音助手交互内容。录制过程在真实家居环境中，客厅、卧室、厨房分别设置5、4、3个录音位，录制使用圆形16路PDM麦克风阵列录音板(16KHz、16bit；6083H)做远讲拾音和高保真麦克风做近讲拾音(44.1KHz、16bit；117H)。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98%以上。可用于声纹识别、语音识别等研究使用。

二、产品目录结构

目录结构

数据目录结构数据目录结构

└─SPEECHDATA（音频文件夹）
│├─P0001（发言人文件夹）
│ P0001B01（录音位文件）
│ P0001B01C01（录音位信号通道文件）
│ P0001B01C01W0001.wav（音频文件）
└─DOC（文本文件夹）
│ spk_info.xlsx（发言人信息）
│ content.txt（标注内容）
│ wav_list.txt（音频列表）
│ ASR0070_Noise_info.xlsx (场景噪音信息列表）

命名规则

<speakerID>\<deviceID>\<deviceID_channelID>\<wavID>.wave.g. P0001/P0001B01/P0001B01C01/ P0001B01C01W0001.wav

名称 · 内容 · 备注

P0001 · 0001-0500 · 发言人编号

P0001B01 · <meetingID>_B01 & 02 & 03 & 04 & 05 · 设备编号

P0001B01C01 · <meetingID>_<deviceID>_C01~16 · 信道编号

P0001B01C01W0001.wav · <meetingID>_<deviceID>_<deviceID_channelID>_W0001~ · 音频编号

三、文本设计

本数据库文本定义为语音助手交互内容。由海量真实语音助手文本生成，内容包含生活、娱乐、工作等38个领域，并经过人工筛选校对。每人按照80句随机对应一个场景，共240句。例如录音人P0001：（参照场景噪音信息表

序号 · 场景类型 · 噪音类型

0001~0080 · 客厅 · 安静

0081~0160 · 厨房 · 安静

0161~0240 · 厨房 · 油烟机

四、录制环境

录制环境

1. 录制场景为真实家居场景，覆盖客厅、卧室、厨房。2. 录音人站在指定位置。

录制设备

录制设备采用16路PDM麦克风圆型录音开发板。

录制方法

在固定客厅、卧室、厨房场景环境中分别在2、3、4个不同位置（相对录音人）放置拾音设备，录音点位的信息如下表：

编号 · 距离（m） · 高度（m）

B01 · 1 · 1

B02 · 3 · 1

B03 · 5 · 1

B04 · -1.5 · 1

B04 · 0.25 · ~

五、标注转写规范

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。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）句中出现的英文按照发音写出单词，如“thank you”。按拼读朗读的字母，需转写成大写字母加空格的形式。如，“N B A”、“U F O”。4）句中包含的符号，按实际发言人发音转写。如“三W点百度点com”。没有发音的符号，需要删掉。品牌名称，专有名称等按照实际惯用格式转写，如“QQ空间”、“iPhone”、“喜马拉雅”。5）标注内容的完整性要与实际发音一致，不得删减。

六、发言人信息

发言人信息记录内容包括录音编号、性别、年龄、籍贯区域。如图表所示：

录音编号 · 性别 · 年龄 · 区域

P0001 · 女 · 19 · 北方

录音编号：每个发言人领取1个录音编号，每个录音编号对应1份录音文本。每个发言人只能参加一次录制。性别：男237人，女213人。年龄：发言人年龄在13~65岁。区域：发言人的籍贯以北方为主，占比96%。

数据样例下载

点击下载数据样例