音频中国方言

客家方言数据库

数据集介绍

一、产品概述

客家方言语音数据库共513小时。录音语言为客家方言；录音地区为中国梅州。共邀请411名录音人，在安静环境下使用手机进行录制。此数据库经过专业校对，字正确率达到96%以上，可用于声纹识别、语音识别等研究。

二、录音语料

录音文本结果

此数据库朗读部分文本为对话闲聊部分，如朋友、家人的问候，同事的沟通以及客服的咨询等日常聊天内容。每个人录制的文本数目不同，具备的比例如下所示：

句数 · 人数 · 占比（100%）

0~250 · 166 · 40.39

250~500 · 69 · 16.79

500~1K · 87 · 21.17

1K~1.5K · 46 · 11.19

1.5K~2K · 23 · 5.60

2K~2.5K · 6 · 1.46

2.5K~6K · 14 · 3.41

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< , > , [ , ] , ～, / , \ , = 等特殊符号，数字串部分除外。 删除含有中文和英文以外语言的内容。 统一格式。

三、发音人信息

性别比例

数据库总人数为411人，男67人，女344人。

性别 · 男性 · 女性 · 合计

占比 · 16.3% · 83.7% · 100%

年龄比例

录音人年龄具体分布如下所示：A(16-25岁)；B(26-40岁)；C(41-50岁)；D(51+岁)。

· 年龄段 · 人数 · 占比

A · 16-25岁 · 84 · 20.43%

B · 26-40岁 · 251 · 61.07%

C · 41-50岁 · 60 · 14.6%

D · 51+岁 · 16 · 3.9%

合计 · 411 · 100% ·

四、数据录制

录制环境

安静室内，无回音，无其它人说话。

录制设备

手机为市面上常见的手机，如苹果、华为、小米、oppo等。数据存储格式为16kHz，16bit wave文件。

录制方法

朗读部分录音人在安静室内通过手机小程序近讲录制，自然朗读文本，禁止棒读。

录制时长分布

录音人随机获取文本，自然朗读，单人录制时长不超过20小时，不低于1分钟，具体录制时长分布如下：

时长(秒) · 人数 · 占比（100%）

0~1K · 100 · 24.33

1K~2K · 80 · 19.46

2K~4K · 78 · 18.98

4K~6K · 53 · 12.90

6K~10K · 51 · 12.41

10K~40K · 49 · 11.92

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”, 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，大写且不加空格，例如：CEO、NBA等。4）标注内容的完整性要与实际发音一致，不得删减。5）除传统说法（如一周、一年、农历初二）、专有词汇（如十年磨一剑）、模糊词（一二百、三四个）外，其余数据全部是阿拉伯数字。