音频普通话

中文普通话语音数据库

数据集介绍

一、产品概述

中文普通话语音数据库的语音时长为1000小时，其中718小时来自[ZH-CN]，282小时来自[ZH-CN]。录音文本涉及唤醒词、语音控制词、智能家居、无人驾驶、工业生产等12个领域。录制过程在安静室内环境中，同时使用3种不同设备：高保真麦克风（44.1kHz，16bit）；Android系统手机（16kHz，16bit）；iOS系统手机（16kHz，16bit）。采用iOS系统手机录制的语音数据。1991名来自中国不同口音区域的发言人参与录制。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96%以上。

二、录音语料

语料池的制作

语料池内容

考虑到语音识别在智能家居、无人驾驶、工业生产等领域的应用，语料在12个领域中选定。

序号 · 领域

1 · 家居家电名称和控制命令

2 · POI（地理信息）

3 · 音乐、收音机类（语控）

4 · 数字类（语控）

5 · 电视、电影名称

6 · 财经

7 · 科技

8 · 体育

9 · 娱乐

10 · 时事新闻

11 · 英文拼读

12 · 广域文本

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。

三、录音人信息

基本信息记录

发音人信息记录内容包括任务编号、性别、口音区域、年龄区间、籍贯。

任务编号 · 年龄区间 · 性别 · 口音区域

C0002 · B · 男 · North

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。口音区域：按照发言人原生语言所属区域，分为北方、南方、其他。年龄区间：A(16岁以下)、B(16-25岁)、C(26-40岁)、D(41岁以上)。

录音人信息结构特征

性别比例

数据库总人数为1991人，男845人，女1146人。

性别 · 男性 · 女性 · 合计

比例 · 42.4% · 57.6% · 100%

年龄比例

A(16-25岁)316人；B(26-40岁)71人；C(41岁以上)13人。

· 年龄段 · 人数 · 比例 · 男性 · 女性

A · 16岁以下 · 16 · 0.8% · 5 · 11

B · 16-25岁 · 1707 · 85.7% · 722 · 985

C · 26-40岁 · 201 · 10.1% · 89 · 112

D · > 41岁 · 67 · 3.4% · 29 · 38

合计 · · 1991 · 100% · 845 · 1146

方言区域比例

北方1247人；南方679人；其他65人。

区域 · 人数 · 比例

北方 · 1275 · 64%

南方 · 687 · 34.5%

其他 · 29 · 1.5%

合计 · 1991 · 100%

四、数据录制环境

录制环境

安静室内包括真实家居场景，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

录制设备包括高保真��克风和录音机、iOS系统手机、Android系统手机。2数据均来自iOS设备。

录制方法

发音人距离高保真麦克风20厘米，以讲话正常音量，正常语速，朗读录音文本。Android系统手机与iOS系统手机分别与麦克风间隔20厘米布置。

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.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。

六、数据文件目录

目录结构

│ .docx（数据库说明）
│ README.txt（概述）
│ ChangeLog（数据版本信息）
└─ data（数据文件夹）
│├─wav.scp（音频文件列表）
│├─trans.txt（转写文本列表）
│├─spk_info.txt（录音人信息列表）
│├─wav（音频文件夹）
│├─D2166（录音人文件夹）
││ ││ ID2166W0001.wav（音频文件）