中文普通话语音数据

一、产品概述

中文普通话语音数据库共3002小时。录音文本涉及智能家居、无人驾驶、工业生产等15个领域。邀请2000名来自中国不同口音区域发音人参与录制。录制过程在安静室内环境中，同时使用3种不同设备：高保真麦克风（44.1kHz，16bit，999.7H）；Android系统手机（16kHz，16bit，1000.7H）；iOS系统手机（16kHz，16bit，1002.4H）。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97%以上。

二、录音语料

语料池的制作

语料池内容

考虑到语音识别在智能家居、无人驾驶、工业生产等领域的应用，语料在15个领域中选定，共300万句常用中文语句。

C0001-C1000 · C9001-C9348 · ·

序号 · 领域 · 序号 · 领域

1 · 家居家电名称和控制命令 · 1 · 家居

2 · POI（地理信息） · 2 · POI

3 · 音乐类（语控） · 3 · 音乐类（语控）

4 · 数字类（语控） · 4 · 数字类（语控）

5 · 电视、电影名称 · 5 · 电视名称

6 · 财经 · 6 · 财经-政策

7 · 科技 · 7 · 财经-地产

8 · 体育 · 8 · 科技-国际

9 · 娱乐 · 9 · 科技-国内

10 · 时事新闻 · 10 · 体育

11 · 英文拼读 · 11 · 娱乐-欧美

· · 12 · 娱乐-港台

· · 13 · 时事新闻

· · 14 · 综合

· · 15 · 英文拼读

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。
• 删除含有中文和英文以外语言的内容。
• 统一格式。

录音文本的结构设计

考虑到语音覆盖及音素平衡，此数据库C0001-C1000录音文本采用每份500句的分配方式设计，C9001-C9348录音文本采用每份520句的分配方式设计，从语料池中抽取，结构如下。

C0001-C1000 · · · C9001-C9348 · ·

序号 · 领域 · 每份分配量/句 · 序号 · 领域 · 每份分配量/句

1 · 家居家电和控制名称 · 5 · 1 · 家居 · 5

2 · POI（地理信息） · 30 · 2 · POI · 30

3 · 音乐类（语控） · 46 · 3 · 音乐类（语控） · 46

4 · 数字类（语控） · 29 · 4 · 数字类（语控） · 29

5 · 电视、电影名称 · 10 · 5 · 电视名称 · 13

6 · 财经 · 132 · 6 · 财经-政策 · 20

7 · 科技 · 85 · 7 · 财经-地产 · 20

8 · 体育 · 66 · 8 · 科技-国际 · 15

9 · 娱乐 · 27 · 9 · 科技-国内 · 10

10 · 时事新闻 · 66 · 10 · 体育 · 20

11 · 英文拼读 · 4 · 11 · 娱乐-欧美 · 4

· · · 12 · 娱乐-港台 · 10

· · · 13 · 时事新闻 · 10

· · · 14 · 综合 · 200

· · · 15 · 英文拼读 · 4

· · · 16 · 问答 · 84

合计 · 11项 · 500句 · 合计 · 16项 · 520句

三、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、年龄段、籍贯。

任务编号 · 年龄区间 · 性别 · 口音区域

C0001 · B · 女 · 北方

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。年龄区间：A(18岁以下)、B(18-25岁)、C(26-40岁)、D(41岁以上)。性别：男-男性；女-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。

发音人结构特征

性别比例

数据库总人数为2000人，男863人，女1137人。

性别 · 男性 · 女性 · 合计

比例 · 43% · 57% · 100%

年龄比例

A(18岁以下)18人、B(18-25岁)1528人、C(26-40岁)310人、D(41岁以上)144人。

年龄段 · 人数 · 比例 · 男性 · 女性

A · 18 · 9% · 5 · 13

B · 1528 · 76.4% · 633 · 895

C · 310 · 15.5% · 159 · 151

D · 144 · 7.2% · 66 · 78

合计 · 2000 · 100.00% · 863 · 1137

方言区域比例

方言区域 · 人数 · 比例

北方 · 1267 · 63%

南方 · 710 · 36%

其他 · 23 · 1%

四、数据录制环境

录制环境

安静室内，不包括明显的其他人说话声音及其他噪音，无回音。发言人按照正常语速，朗读录音文本。

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。

录制方法

发音人距离高保真麦克风20厘米，以讲话正常音量，正常语速，朗读录音文本。Android系统手机与iOS系统手机分别与麦克风间隔20厘米布置。

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）句中出现的英文按照发音写出单词，如“thank you”。按拼读朗读的字母，需转写成大写字母加空格的形式。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、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（语音文本内容）
││├─spk_info.xlsx（录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─C0001（录音人文件夹）
││ ││ ANDROID（设备文件夹）
││ ││ AC0001W0001.wav（音频文件）
││ ││ AC0001W0001.txt（语音内容文本）
││ ││ IOS（设备文件夹）
││ ││ IC0001W0001.wav（音频文件）
││ ││ IC0001W0001.txt（语音内容文本）
││ ││ MIC（设备文件夹）
││ �����│ MC0001W0001.wav（音频文件）
││ │�� MC0001W0001.txt（语音内容文本）

命名规则

CORPUS/USAGE/SPEAKER_NUM/EQUIPMENT_ID/SPEECH_IDe.g./SPEECHDATA/C0001/ANDROID/ H0001A0001.wav

目录名称 · 内容 · 备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 文件夹名称

SPEAKER_NUM · C0001 · 录音人文件夹

EQUIPMENT_ID · ANDROID/IOS/ MIC · 设备文件夹

SPEECH_ID · AC0001W0001.wav · WAV文件

数据样例下载

点击下载数据样例