会议数据

一、产品概述

会议对话语音数据库共639场会议，共381有效小时。录音语言，中文；录音地区，中国。会议内容覆盖商务、生活、工作等。以中国北方口音区域为主邀请162名发音人参与录制。录制过程在真实会议环境中，录制设备包括头戴式麦克风、1个真实会议语音记录设备、高保真麦克风、Android系统平板、iOS手机、16麦面阵和16麦圆型麦克风阵列。音频存储格式为16kHz，16bit。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、场景与设备

采集场景

采集场景为小型、中型、大型的三类会议场景。每类会议场景的说话人数在3-10人。会议场景的具体要求如下表：

序号 · 场景类型 · 场景大小 · 场景数（个）

1 · Small · 20m2 ≥ room · 8

2 · Medium · 20m2<room≤50m2 · 8

3 · Large · Room>50m2 · 4

会议场景噪音定义为两类：

序号 · 类型 · 内容

1 · 自带噪音 · 敲键盘/风扇空调声/轻微的干扰人声/手机铃声

2 · 人工加入噪声源 · 鸣笛声等

真实场景实例：

采集设备

考虑到会议场景和多人对话的特殊性，数据存储格式为16kHz、16Bit。采集的设备我们选择如下几种：

序号 · 设备

1 · 讯飞听见M1

2 · Android系统平板

3 · 头戴式麦克风

4 · 高保真麦克风

5 · iOS手机

6 · 16麦面阵

7 · 16麦圆型麦克风阵列

三、采集方法

会议场景采集语音内容以真实项目、业务为核心内容，会议参加人员自然发挥，轻口音普通话语速及中英文不做限制，保证事件真实。场景由实施人员在指定位置采集数据，采集设备摆放合理。※小会议室语音采集位置示意图：※中/大型会议室语音采集位置示意图：采集现场记录数据内容如下：

记录项 · 内容

会议室 · 类型/录制时间/人数

录音人 · 个人基本信息（性别/年龄/）

录音位 · 设备/编号

噪音 · 噪音类型

四、录音人信息

性别比例

数据库总人数为162人，其中男66人，女96人。

性别 · 男性 · 女��� · 合计

比例 · 41% · 59% · 100%

年龄比例

录音人年龄覆盖18~64岁，具体比例如下所示：

年龄 · 人数 · 比例

18~24 · 90 · 55.6%

25~40 · 37 · 22.8%

≥41 · 35 · 21.6%

合计 · 162 · 100%

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，���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）��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”。注：汉字间不要有空格。中英混合情况，英文之间要加空格。比如字母和字母间，字母和单词间，单词和单词间都要加空格。汉字和英文间不加空格。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。6) 重叠音，不同的说话人内容标注在对应说话人层，例如有四个说话人的会议，就有四个说话人层，每个说话人层只标注对应的说话人的说话内容，即便有说话重叠，也只标注这个说话人的，重叠说话人的声音标注在对应的说话人层。细分场景参照如下：⚫ 多个人说话时，在重叠处将两个人的声音都进行标注并用 & 符号进行区分；⚫ 多人重叠，其中一人整句无法听清时，则该人当背景音忽略不标；⚫ 多人重叠，其中一人说整句话但一部分无法听清时，则只标注听清的部分；⚫ 多人重复，非主说话人的语气词。语气词：直接标注嗯，啊，呵等，{针对主说话人，出现了非主说话人的清楚语气词需要标注，格式为&嗯&、&啊&；若主说话人说的语气词，直接正常标注就可以，无需加“&”}[语气词都要有口字旁,除了诶]。7）特殊符号标注，详见下表：

序号 · 标签 · 说明

1 · <sil> · 说话人犹豫、拖延时间、停顿、拖长音

2 · <-> · 发出半音卡壳

3 · <$> · 笑声

4 · <_> · 切音，开头或者结尾句子截断

5 · <%> · 咳嗽

6 · <#> · 人声杂音，如吸气、打哈欠

7 · & · 重叠音

六、数据文件目录

目录结构

数据目录树数据目录结构

└─DOC（文本说明文件）
│├─all_wav_list.txt（音频列表）
│├─spk_info.xlsx（录音人信息）
│
└─L（会议室类型）
│├─L_R003（会议室编号）
│├─wav（音频文件夹）
││ ││ 20201129_L_R003S06C01.wav（音频文件）
│├─Textgrid（文本文件夹）
││ ││ 20201129_L_R003S06C01.TextGrid（转写文本）
│├─L_R003.jpg（会议场景图）

6-1-1数据目录结构

命名规则

目录命名规则

/<VENUE_TYPE>/<VENUE_ID>/<WAV>/<AUDIO_ID>e.g. L/L_R003/wav/20201129_L_R003S06C01.wav

��录 · 内容 · 备注

VENUE_TYPE file · Small / Medium / Large · 会议场景类型

VENUE_ID file · L_R003 · 场地编号

AUDIO file · wav/20201129_L_R003S06C01.wav · WAV文件

文件命名规则

/<TIME_ID>/<VENUE_TYPE>/<VENUE_ID>/<MEETING_ID>/<DEVICE_ID>.wave.g. 20201129_L_R003S06C01.wav

文件 · 内容 · 备注

TIME_ID · 20201129 · 录制时间

VENUE_TYPE · _S / M /L_ · 场地类型

VENUE_ID · R001~500 · 场地编号

MEETING_ID · S01 ~ 08 · 会议编号

DEVICE_ID · C01 & C02 · 设备编号

设备信息

设备相对均匀分布在录音人中间，方向遵守由北向南编号。

序号 · 设备 · 编号

1 · 讯飞听见M1 · M01

2 · Android平板 · T01 & 02

3 · 头戴式麦克风 · A01

4 · 高保真麦克风 · H01

5 · iOS手机 · I01

6 · 16麦面阵 · L01 & L02

7 · 16麦圆型麦克风阵列 · C01 & C02

数据样例下载

点击下载数据样例