老人中文普通话数据

一、产品概述

老年人中文语音数据库共793小时。录音语言，中文；录音地区，中国。录音文本包含智能控制词、POI等12个分类。邀请503名55岁及以上老年人参与录制。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，266H）；Android系统手机（16kHz，16bit，264H）；iOS系统手机（16kHz，16bit，263H）。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、产品目录结构

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）
│├─0001（录音人文件夹）
││ ││ 0001_Android_0001.wav（音频文件）
││ ││ 0001.txt（语音文本内容）

命名规则

CORPUS/USAGE/SPEAKER_NUM/SPEECH_IDe.g./SPEECHDATA/0001/0001_Android_0001.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 · 0001 · 录音人文件夹名称

SPEECH_ID · 0001_Android_0001.wav · WAV文件

三、文本设计

语料制作

语料在12个领域中选定。按照规则处理语料池。

序号 · 领域

· 家居家电名称和控制命令

· （地理信息）

· 音乐、收音机类（语控）

· 数字类（语控）

· 电视、电影名称

· 财经

· 科技

· 体育

· 娱乐

· 时事新闻

· 英文拼读

· 广域文本

• 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40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500句的分配方式设计，从语料池中抽取，结构如下。

· 序号 · · 领域 · 句数

· · · 家居家电名称和控制命令 ·

· · · （地理信息） ·

· · · 音乐、收音机类（语控） ·

· · · 数字类（语控） ·

· · · 电视、电影名称 ·

· · · 财经 ·

· · · 科技 ·

· · · 体育 ·

· · · 娱乐 ·

· · · 时事新闻 ·

· · · 英文拼读 ·

· · · 广域文本 ·

合计 · · 项 · ·

四、数据录制环境

录制环境

安静室�����，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、发音人信息

发音人信息记录内容包括任务编号、性别、口音区域、年龄。

任务编号 · 性别 · 口音区域 · 年龄区间

0001 · 男 · 北方 · 58

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239人，女性264人。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：发言人参加录音时的年龄，此数据库发言人年龄均为55岁及以上。

数据样例下载

点击下载数据样例