低幼儿童语音数据-中文

一、产品概述

儿童语音数据库共171小时。录音语言，中文；录音地区，中国。邀请1117名来自中国不同口音区域发音人参与录制。录制过程在安静室内环境中，使用手机（16kHz，16bit）进行录制。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、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）
│├─A0001（录音人文件夹）
││ ││ A0001CO0001.wav（音频文件）

命名规则

CORPUS/USAGE/SPEAKER_NUM/POINT_ID/SPEECH_IDe.g./SPEECHDATA/A0001/A0001CO0001.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 · A0001 · 录音人文件夹名称

SPEECH_ID A0001CO0001.wav WAV文件

三、文本设计

语料制作

考虑到语音识别在智能家居、教育、工业生产等领域的应用，语料设计包含诗歌、童话、食物名称、数字串等内容。按照规则处理语料池。⚫ 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。

文本结构

考虑到语音覆盖及音素平衡，此数据库录音文本设计分为A级(3-6岁)、B级（7-10岁）两类。A级文本每份200句，B级文本每份275句，从语料池中抽取，结构如下。

内容 · 内容编号 · A级 · B级

语控词 · CO · 38 · 63

食物名称 · FD · 25 · 19

诗歌 · PT · 30 · 30

数字串 · NU · 36 · 51

童话 · TA · 27 · 11

平衡句 · SE · 25 · 45

十万个为什么 · QU · 19 · 56

合计 · 200 · 275 ·

四、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。由领读人朗读文本，发言人按照正常语速，重复文本。

录制设备

录制设备为手机。

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，重复朗读人所述录音文本。

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。

任务编号 · 性别 · 口音区域

A0001 · 男 · 北方

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。任务编号已文本等级开头，A级(3-6岁)、B级（7-10岁）。性别：男性，女性。口音区域：按照发言人原生语言所属区域，分为北方、南方。

发音人结构特征

性别比例

数据库总人数为1117人，男491人，女626人。

性别 · 男性 · 女性 · 合计

比例 · 44% · 56% · 100%

年龄比例

A（3-6�����）583人；B（7-10岁）534人。

编号 · 年龄段 · 比例

A · 3-6岁 · 51%

B · 7-10岁 · 49%

合计 · 100% ·

方言区域比例

北方453人；南方664人；其他0人。

区域 · 比例

北方 · 40.6%

南方 · 59.4%

其他 · 0%

合计 · 100%

数据样例下载

点击下载数据样例（数据样例.zip）