口音对话语音数据库

一、产品概述

口音对话语音数据库共1258小时，录音语言为中文。共邀请1493名来自中国不同口音区域发音人参与录制。录制过程为安静室内环境，录音人通过手机，以自然对话形式进行录制。此数据库可用于声纹识别、语音识别等研究。数据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

此数据库为电话自然对话方式，录音人对话内容领域覆盖电商、教育等常见领域，具体结构如下。

领域 · 内容 · 占比(%)

电商、零售 · 运营商、招商、退换货、推销 · 18.1

教育 · 课程咨询 · 17.1

生活服务 · 餐饮、旅游、娱乐、交通 · 28.3

汽车销售 · 买卖、维修、车险 · 2.76

房地产 · 房屋买卖、租赁 · 6.8

政府 · 线上政务咨询 · 1.31

物流 · 快递查询 · 6.03

其他 · 自由发挥 · 19.6

合计 · 100 ·

三、发音人信息

口音区域

该数据库录音人覆盖七大方言区，包括北方方言、吴方言、赣方言、湘方言、闽方言、粤方言以及客家方言。具体结构比例见下图。

口音区 · 人数 · 占比（%）

北方方言 · 218 · 14.6

吴方言 · 277 · 18.5

赣方言 · 187 · 12.5

湘方言 · 221 · 14.8

闽方言 · 192 · 12.9

粤方言 · 180 · 12.1

客家方言 · 218 · 14.6

合计 · 1493 · 100

性别比例

数据库总人数为1493人，男564人，女929。

性别 · 男性 · 女性 · 合计

比例 · 37.8 · 62.2 · 100%

年龄比例

录音人年龄覆盖18-60岁，具体分布如下所示：A（18-25岁）；B（26-40岁）；C（41岁以上）。

· 年龄段 · 人数 · 比例（%）

A · 18-25 · 782 · 52.4

B · 26-40 · 496 · 33.2

C · >41 · 215 · 14.4

合计 · 1493 · 100 ·

四、数据录制环境

录制环境

安静室内，无回音，无其他人说话。

录制设备

市场上常见的Android系统手机，如华为、oppo、vivo、小米等。数据存储格式为8kHz或16bit wav文件。

录制方法

录音人在安静室内通过手机自然通话录制。

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。5）句中包含方言字词，不改变句意，用同音字代替，字前加<dialect>标记。6）如果两个人说话有重叠，只做主说话人内容转写，并同时加入<overlap>标记。无论是连续性重叠还是多字间断性重叠，���在每个重叠字处标记<overlap>。如下所示：例1：甲说：“今天的天气好热呀！”话还没完，乙说：“嗯。”，“嗯”字正好跟“热”字重叠了，且两个人声音大小差不多，则转写为“今天的天气好热<overlap>呀！”。例2：甲说：“我觉得是这样的，嗯。”，乙说：“我也觉得是。”，乙在甲没有说完“嗯”的时候说的话，覆盖了甲的“嗯”，则转写为“我觉得是这样的。”和“<overlap>我也觉得是。”。

六、数据文件目录

数据目录树数据目录结构

└─DOC（文本说明文件夹）
││├─wav_list.txt（音频列表）
││├─spkrinfo.xlsx（录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─00001 (通话编号)
│├─00001.wav（音频文件）
│├─00001.TextGrid（标注文本）

数据样例下载

点击下载数据样例（数据样例.zip）