音频中国方言

粤语方言语音数据库

数据集介绍

一、产品概述

粤语方言语音数据库共768小时。数据类型包含朗读和对话，其中朗读618.8小时，对话149.4小时。录音语言为粤语；录音地区为中国广州。共邀请2672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，文本正确率达到95%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

此数据库朗读部分录音文本采用每人470句，语音内容覆盖唤醒词、命令词、自由文本等，另一批数据主要录制车载语控部分，每人约10~15分钟，具体分配如下：

PY0001-PY3400 · PY3501-PY5128 · · ·

领域 · 内容例句 · 编号 · 领域 ·

唤醒词 · 小爱同学、小度小度 · 0001-0021 · ·

POI · 导航到科技广场 · 0022-0044 · ·

家居控制 · 请帮我开启视频二 · 0045-0051 · ·

拼读 · Q M P E · 0052-0054 · ·

数字 · 八百六十零九千五百七十七 · 0055-0074 · ·

问答 · 陈十三演的电影有哪些 · 0075-0089 · ·

音乐 · 唱首歌汪苏泷的歌 · 0090-0119 · ·

电视电影 · 游戏女王国语版 · 0120-0139 · 车载语控 · 0001-0300

电台 · 我要把A M调为九百一十五点五千兆 · 0140-0144 · ·

娱乐 · 欧阳娜娜之后到大陆工作 · 0145-0160 · ·

财经 · 同比增长百分之幺点九 · 0161-0240 · ·

科技 · 出货量总额不敌苹果手表 · 0241-0290 · ·

体育 · 今后阿拉会以北马为基础 · 0291-0340 · ·

时事新闻 · 玻璃门上贴了一张告示 · 0341-0390 · ·

综合 · 对你来说今晚一定很漫长 · 0391-0470 · ·

合计 · · 470 · · 300

车载语控部分针对车控、音乐、导航、问询等类别句数占比如下：

领域 · 占比

音乐 · 50.0%

POI · 27.4%

问询 · 3.8%

车控 · 7.8%

其它 · 11.0%

合计 · 100%

对话时录音人根据给定主题，自由发挥进行录制，主题分类大致如下：

领域 · 占比

电商零售 · 14%

金融 · 12%

教育 · 13%

科技 · 7%

生活服务 · 13%

汽车销售 · 7%

房地产 · 9%

物流 · 5%

其它 · 20%

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，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��

数据库总人数为2672人，男1125，女1547人。

性别 · 男性 · 女性 · 合计

占比 · 42.1% · 57.9% · 100%

· 年龄段 · 人数 · 占比

A · 18-25岁 · 686 · 25.6%

B · 26-40岁 · 1708 · 63.9%

C · 41-50岁 · 223 · 8.4%

D · 51+岁 · 55 · 2.1%

合计 · 2672 · 100% ·

年龄比例

录音人年龄具体分布如下所示：A(18-25岁)；B(26-40岁)；C(41-50岁)；D(51+岁)。

四、数据录制环境

录制环境

安静室内，无回音，无其它人说话。

录制设备

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，16bitwav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进行录制，正常语速朗读文本。对话部分录音人在安静室内通过手机拨打电话进行录制。

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，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。

六、数据文件目录

目录结构

└─dialogue（对话数据）
│├─DOC（文本文件夹）
│├─wav_list.txt（音频列表）
│├─spkrinfo.xlsx（录音人信息）
│├─Textgrid（转写文本文件夹）
│├─PYD_0623.Textgrid（转写文本）
│├─SPEECHDATA（数据文件夹）
││ ││ PYD_0623.wav（音频文件）
│
└─reading（朗读数据）

│├─DOC (文本文件夹)
│├─content.txt（转写文本）
│├─wav_list.xlsx（音频列表）
│├─spkrinfo.xlsx（录音人信息）
│├─SPEECHDATA (数据文件夹)
│├─PY0028 (录音人编号)
││ ││ PY0028.wav（音频文件）

命名��则

目录命名规则

<DATA_TYPE>/<USAGE>/<SpeakerID>/<wav_ID>e.g.reading/SPEECHDATA/PY0028/PY0028_0001.wav

目录 · 内容 · 备注

DATA_TYPE · dialogue/reading · 数据类别

USAGE · SPEECHDATA · 文件夹名称

SpeakerID · PY0028 · 录音人编号

wav_ID · PY0028_0001.wav · 音频文件

文件命名规则

<SpeakerID>_<wav_ID>e.g. PY0028_0001.wav

文件 · 内容 · 备注