智能驾舱人机交互语音数据集-燃油车
数据集介绍
一、产品概述
智能驾舱人机交互语音数据集共 613 小时。录音语言，中文；录音地区，中国。录音文本包含主流车载场景智能控制、命令等10个分类。以中国北方口音区域为主邀请300名发音人参与录制。录制过程在真实车载环境中，模拟自动驾驶点位，使用4个高保真麦克风（44.1kHz，16bit，122小时）与一部手机（16kHz，16bit，124小时）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（转写内容列表）
││├─spk_info.xlsx（录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─0001（录音人文件夹）
│├─CC0001A（录音人文件夹）
││ ││ CC0001A0001.wav（音频文件）
││ ││ CC0001A0001.txt（语音内容文本）
命名规则
<CORPUS_ID><SPEAKER_IC><WAV_NUM>e.g. CC0001A0001.wav
目录名称 · 内容 · 备注
CORPUS_ID · CC (Chinese in Car) · 数据库名称
SPEAKER_NUM · 0001 · 录音人ID
POINT_ID · A\B\C\D\F · 录音位ID
WAV_NUM · 0001 · WAV编号
三、文本设计
语料制作
考虑到语音识别在智能车载、无人驾驶领域的应用，语料在10个领域中选定。按照规则处理语料池。
序号 · 领域
1 · 唤醒类
2 · 高速公路信息
3 · 行政地理位置
4 · 命令、控制语句
5 · 数字串
6 · 音乐
7 · 收音机
8 · 空调
9 · 地图坐标位置
10 · 广域内容文本
- 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，此数据库录音文本采用每份508句的分配方式设计，从语料池中抽取，结构如下。
序号 · 领域 · 每份分配量/句
1 · 综合 · 50
2 · 唤醒类 · 48
3 · 高速公路信息 · 20
4 · 行政地理位置 · 30
5 · 命令、控制语句 · 35
6 · 数字串 · 40
7 · 音乐 · 30
8 · 收音机 · 30
9 · 空调 · 35
10 · 地图坐标位置 · 40
11 · 广域内容文本 · 50
合计 · 10项 · 508句
四、录制环境
录制现场
在车载环境中，设计7种不同场景，依次录制。车型包含3辆小型车、2辆中型车、1辆大型车。
场景环境编号 · 车速
A · 关闭引擎-> 市区慢速0-40km/h
B · 市区中速40-80km/h打开1/3副驾驶车窗
C · 高速80-120km/h关窗
D · 关闭引擎打开1/3副驾驶车窗 -> 市区慢速0-40km/h
E · 关闭引擎打开1/3驾驶员车窗 -> 市区慢速0-40km/h
F · 市区中速40-80km/h打开1/3副驾驶车窗
G · 市区中速40-80km/h打开1/3驾驶员车窗
场景内环境结合语料再分配为音乐开关、空调开关等辅助环境。
场景环境编号 · 车速 · 辅助环境
A · 关闭引擎-> 市区慢速0-40km/h · 音乐/空调
B · 市区中速40-80km/h打开1/3副驾驶车窗 · 音乐/空调
C · 高速80-120km/h关窗 · 音乐/空调
D · 关闭引擎打开1/3副驾驶车窗 -> 市区慢速0-40km/h · 音乐/空调
E · 关闭引擎打开1/3驾驶员车窗 -> 市区慢速0-40km/h · 音乐/空调
F · 市区中速40-80km/h打开1/3副驾驶车窗 · 音乐/空调
G · 市区中速40-80km/h打开1/3驾驶员车窗 · 音乐/空调
音乐和空调状态以组合形式再分为6组分配到语料中。
辅助环境 ·
空调状态 · 音乐状态
空调关闭 · 音乐关闭
空调关闭 · 音乐打开
低风空调打开 · 音乐关闭
低风空调打开 · 音乐打开
高风空调打开 · 音乐关闭
高风空调打开 · 音乐打开
录制设备
录制设备包括高保真麦克风和录音机、手机。本数据库数据存储格式为高保真录制数据44.1kHz、16bit单声道和手机录制数据16kHz、16bit单声道两种格式。舒伯乐superlux ECM999测试话筒
信息项 · 技术参数
音头 · 背驻极
指向性 · 无指向
频率响应 · 20-20000Hz
灵敏度 · -37 dBV/Pa（14 mV）
阻抗 · 200Ω
负载 · 1000Ω
信噪比 · 70 dB等效噪音SPL:24 dB
声压 · SPL: 132dB
动态范围 · 108 dB
动态范围 · 模数：100dB，数模：104dB
信息项 · 技术参数
通道 · 4
数据类型 · WAV/BWF
采样精度 · 16/24-bit
采样频率 · 44.1kHz/48kHz/88.2kHz/96kHz/192kHz
输入阻抗 · XLR:4K欧姆或更高（平衡），TRS:6K欧姆或更高（平衡）
输入 · +24dBu（输入灵敏度旋钮：+4dBu）
输出阻抗 · 线路输出：600欧姆
噪音 · 线路输出：-100dBu（输入灵敏度：+4dBu，输入音量：中间）
频率响应 · 20Hz-40kHz（0/-3dB）
动态范围 · 模数：100dB，数模：104dB
手机系统 · 手机型号
Android · 三星NOTE 4、三星S6、OPPO A33、OPPO A59s、华为荣耀畅玩6X
录制方法
车内环境下布置5个点位，包含2个近讲点位，3个功能点位。功能点位固定在驾驶员正前方、后视镜、中控台；近讲点位与发言人距离20厘米，包含一部高保真麦克风和一部手机。发音人以讲话正常音量，正常语速，朗读录音文本。
编号 · 位置 · 描述
A · 驾驶员（副驾驶模拟）正前方 · 高保真麦克风
B · 车顶 · 高保真麦克风
C · 中控台 · 高保真麦��风
D · 后视镜 · 高保真麦克风
F录音人前方手机
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���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��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、年龄区间、籍贯。
任务编号 · 性别 · 口音区域 · 年龄区间 · 场景环境
1 · 男 · 北方 · A · 场景一
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。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、其他。年龄区间：A(16-25岁)、B(26-40岁)、C(41岁以上)。场景环境：
发音人结构特征
性别比例
数据库总人数为300人，男151人，女149人。
性别 · 男性 · 女性 · 合计
比例 · 50% · 50% · 100%
年龄比例
A（16-25岁）300人；B（26-40岁）6人；C（41岁以上）0人。
年龄区间 · 年龄段 · 人数 · 比例 · 男性 · 女性
A · 16-25岁 · 296 · 98.7% · 149 · 147
B · 26-40岁 · 4 · 1.3% · 2 · 2
C · ＞41岁 · 0 · 0% · 0 · 0%
合计 · · 300 · 100% · 151 · 149
方言区域比例
北方294人；南方8人；其它2人。
区域 · 人数 · 比例
北方 · 294 · 98.0%
南方 · 8 · 2.7%
其它 · 2 · 0.7%
合计 · 300 · 100%
数据样例下载
样例
- 音频样例 1