智能驾舱语音交互数据集
数据集介绍
一、数据概述
智能驾舱语音交互数据集共计3164小时。录音语言为中文，录音地区为中国，共邀请260名录音人，年龄段为7-55岁，均在真实理想one车载环境内录制完成。此数据库录音内容包含朗读（561H）、对话（2163H）和车载噪声（440H）三类，设备包含三类，共计11个点位：近讲为头戴（48kHz，16bit，210H），车机（16kHz，16bit，824H，4拾音位），座位顶部（16kHz，16bit，846H，4拾音位），车顶部（16kHz，16bit，424H），中控屏（16kHz，16bit，421H）。此数据库经过人工校验，文本句准确率在95%以上，可做语音识别、声纹识别等研究。
二、录音语料
语料池的制作
录音文本的结果设计
此数据库录音分朗读和对话，关窗场景每人分配50句，开窗场景每人分配100句，语料内容覆盖导航、媒体等领域。对话部分一组2~4人，其中主说话人2人，对话部分，一组对话约10分钟，对话内容主要为闲聊和自由交流。朗读和对话的细分类具体如下：朗读：车控类，如空调。座椅等车载控件命令词媒体音乐类：播放、查询音乐、听歌电台联系人：拨打电话、查询联系人导航类：POI问询类：知识问答、语音搜索等对话：人机闲聊、车内人自由对话
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
发音人结构特征
性别比例
数据库总人数为260人，男118人，女142人。
性别 · 男性 · 女性 · 合计
比例 · 45.4% · 54.6% · 100%
年龄比例
录音人年龄覆盖7-55岁，具体分布如下所示：A(7-17岁)；B(18-25岁)；C(26-40岁)；D(41-55岁)。
· 年龄段 · 人数 · 比例
A · 7-17岁 · 25 · 9.6%
B · 18-25岁 · 122 · 46.9%
C · 26-40岁 · 47 · 18.1%
D · 41-55岁 · 66 · 25.4%
合计 · 260 · 100% ·
四、数据录制环境
录制环境
真实车载环境，录音人白天以及夜晚，在停车、行驶以及开关窗等不同场景下录制，具体场景信息如下：
开/关窗场景 ·
序号 · 场景说明
1 · 停车，空调关闭、AEC关闭
2 · 停车，空调中档、AEC关闭
3 · 停车，空调高档、AEC中档
4 · 非高速（0~60），空调关闭，AEC关闭
5 · 非高速（0~60），空调中档，AEC关闭
6 · 非高速（0~60），空调高档，AEC中档
7 · 低速(0~40)，空调关闭，AEC关闭
8 · 低速(0~40)，空调中档，AEC关闭
9 · 低速(0~40)，空调高档，AEC中档
10 · 中速(40~80)，空调关闭，AEC关闭
11 · 中速(40~80)，空调中档，AEC关闭
12 · 中速(40~80)，空调高档，AEC中档
13 · 高速(80~120)，空调关闭，AEC关闭
14 · 高速(80~120)，空调中档，AEC关闭
15 · 高速(80~120)，空调高档，AEC中档
录制设备
录制设备覆盖头戴麦克风、驾舱内麦克风、间距为5厘米的线性阵列以及单麦。
录制方法
共计11个点位，分别包含录音人近讲，座位上方，中控屏以及车顶。设备采集位置示意图如下所以：
录音人对话通过头戴麦克风进行录制，录音人的录音位置不固定，依据设定规则改变位置，以保证覆盖所有驾内的拾音区。
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��“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，或者一些英文缩写全部大写加空格，例如：C E O、C C T V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
数据目录树数据目录结构
└─DOC（文本说明文件）
││├─spkrinfo.xlsx（录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─M (关窗场景)
│├─A1（录音场景）
│├─dialogue（录音形式）
│├─030（对话编号）
││ ││ DA02.wav（音频文件）
││ ││ DA02.TextGrid（音频转写文本）
││ ││ DL01C01.wav（音频文件）
││ ││ DL01C01.TextGrid（音频转写文本）
││ ││ DX01C01.wav（音频文件）
││ ││ DX01C01.TextGrid（音频转写文本）
……
│├─reading（录音形式）
│├─Audio（语音文件）
│├─P0059（录音人编号）
││ ││ P0059_A02_0001.wav（音频文件）
│├─Label（文本文件夹）
│├─P0059.txt（音频转写文本）
│├─N1（开窗场景）
……
│├─N2（开窗场景）
…..
│├─N3 (开窗场景)
……
命名规则
目录命名规则
<USAGE>/<Window_info>/<Scene_ID>/<Recording_info>/<Dialogue_ID>/<wav_ID>e.g. SPEECHDATA/M/A1/dialogue/030/DA02.wav
目录 · 内容 · 备注
USAGE · SPEECHDATA · 文件夹名称
Window_info · M/N1/N2/N3 · 开关窗场景
Scene_ID · A~L · 录制场景编号
Recording_info · dialogue · 对话录音
Dialogue_ID · 0030 · 对话编号
wav_ID · DA02.wav · 音频文件
<USAGE>/<Window_info>/<Scene_ID>/<Recording_info>/<File_type>/<Speaker_ID>/<wav_ID>e.g. SPEECHDATA/M/A1/reading/Audio/P0059/P0059_A02_0001.wav
目录 · 内容 · 备注
USAGE · SPEECHDATA · 文件夹名称
Window_info · M/N1/N2/N3 · 开关窗场景
Scene_ID · A~L · 录制场景编号
Recording_info · Reading · 朗读录音
File_type · Audio/Label · 文件类型
Speaker_ID · P0059 · 录音人编号
wav_ID · P0059_A02_0001.wav · 音频文件
序号 · 编号 · 备注
1 · A01~04、DA01~04 · 舒尔头戴、D开头代表是对话
2 · X01~06 · 车机，05和06通道是回采信号
3 · L01C01~C02 · 中控屏线阵，间距50mm
4 · L02C01~C02 · 车顶线阵，间距50mm
5 · S01~04 · 座位上方单麦
设备命名规则
录制涉及三类设备，共计7个点位，设备编号如下所示：
场景命名规则
场景包含开关窗，车速、空调车机等设置，具体场景编号见下表：
N：开窗场景（三个开窗场景场景编号一致） ·
场景编号 · 场景说明
A · 停车，空调关闭、AEC关闭
B · 停车，空调中档、AEC关闭
C · 停车，空调高档、AEC中档
D · 非高速（0~60），空调关闭，AEC关闭
E · 非高速（0~60），空调中档，AEC关闭
F · 非高速（0~60），空调高档，AEC中档
N1：主驾车窗开三分之一，天窗关闭N2: 车窗关闭，天窗打开二分之一N3: 主驾车窗开二分之一，天窗打开二分之一
M：关窗 ·
场景编号 · 场景说明
A · 停车，空调关闭、AEC关闭
B · 停车，空调中档、AEC关闭
C · 停车，空调高档、AEC中档
D · 低速(0~40)，空调关闭，AEC关闭
E · 低速(0~40)，空调中档，AEC关闭
F · 低速(0~40)，空调高档，AEC中档
G · 中速(40~80)，空调关闭，AEC关闭
H · 中速(40~80)，空调中档，AEC关闭
I · 中速(40~80)，空调高档，AEC中档
J · 高速(80~120)，空调关闭，AEC关闭
K · 高速(80~120)，空调中档，AEC关闭
L · 高速(80~120)，空调高档，AEC中档
注：场景编号后面的数字代表白夜，1代表白天，2代表夜晚
数据样例下载
样例
- 音频样例 1
- 音频样例 2