音频特殊音频/音乐

1300人声纹语音数据

数据集介绍

一、产品概述

语音数据库共602小时。录音语言为中文；录音地区为中国。共邀请1300名来自中国不同口音区域的发言人，每人在不同日期的早、午、晚三个时段分别录制3次语音，单人录制时间跨度为7-78天。录音人的年龄段为9-65岁，使用手机录制语音，覆盖常用手机机型。此数据库可用于声纹识别等研究。1300人声纹三次录制时间间隔表，其中t1表示第二次和第一次录制的时间间隔，t2表示第三次和第二次录制的时间间隔。

（折线图坐标轴刻度）
X轴(录制间隔天数, t1/t2): 1, 501, 1001, 1501, 2001, 2501, 3001, 3501, 4001, 4501
Y轴(人数): 71, 66, 61, 56, 51, 46, 41, 36, 31, 26, 21, 16, 11, 6, 1

二、产品目录结构

目录结构

│ spk_info.xlsx（发言人信息）
│ content.txt（语音文本内容）
└─SPEECHDATA（数据文件夹）

│├─wav（音频文件夹）

命名规则

\SPEECHDATA\wav\<speakerID>\<wavID>e.g. \SPEECHDATA\wav\0001\0001_F0001.wav

名称 · 内容 · 备注

<speakerID> · 0001-4595 · 发言人编号

<wavID> · <speakerID>_<F/S/T><textID>.wav · 音频名称

<F/S/T> · F-第一次录制，S-第二次录制，T-第三次录制 · 录制次数

三、文本设计

语音数据考虑到多场景工业用途，录音分为三次收集，分别为F、S、T。三次的文本设计如下：F文本：第一次录制。每人130句，内容为数字串，例如“零幺一二三四五六七八九”，每句5~15个数字，平均10个数字。S文本：第二次录制。每人160句，0001~0025句内容为语控词+唤醒词，0026~0050句内容为覆盖安防、医药等敏感词汇自由文本，0051~0160句内容为广域自由文本。T文本：第三次录制。每人130句，内容全部为广域自由文本。