直播方言语音数据库

一、产品概述

方言语音数据库，共157614小时。数据主要来自抖音、快手、好看、西瓜视频、哔哩哔哩、爱奇艺等视频平台，为网上公开音视频。方言覆盖北京、香港、西藏、四川等29个地区。采样率16000Hz，比特率16bit，来自7000多个博主。

二、数据分类

该数据库共覆盖29个地区，方言时长分布分类如下：

序号 · 方言地区 · 地区编号 · 时长 · 时长占比（100%）

1 · 安徽 · AH · 6666 · 4.23

2 · 澳门 · AM · 1464 · 0.93

3 · 海南 · HAIN · 951 · 0.60

4 · 客家 · KJ · 484 · 0.31

5 · 闽南 · MN · 18360 · 11.65

6 · 上海 · SH · 47 · 0.03

7 · 香港 · XG · 6082 · 3.86

8 · 宁夏 · NX · 2224 · 1.41

9 · 江西 · JX · 3693 · 2.34

10 · 山东 · SD · 9857 · 6.25

11 · 河北 · HEB · 2460 · 1.56

12 · 青海 · QH · 448 · 0.28

13 · 河南 · HEN · 1361 · 0.86

14 · 台湾 · TW · 4461 · 2.83

15 · 天津 · TJ · 7427 · 4.71

16 · 湖北 · HUB · 4853 · 3.08

17 · 东北 · DB · 3111 · 1.97

18 · 广东 · GD · 19171 · 12.16

19 · 四川 · SC · 13931 · 8.84

20 · 长沙 · CS · 580 · 0.37

21 · 西藏 · XZ · 130 · 0.08

22 · 新疆 · XJ · 271 · 0.17

23 · 甘肃 · GS · 2282 · 1.45

24 · 重庆 · CQ · 11267 · 7.15

25 · 内蒙 · NM · 3650 · 2.32

26 · 北京 · BJ · 18465 · 11.71

27 · 云南 · YN · 4507 · 2.86

28 · 贵州 · GZ · 5166 · 3.28

29 · 广西 · GX · 4245 · 2.69

合计 · · · 157614 · 100

三、目录结构与命名规则

目录结构

数据目录树数据目录结构

└─SPEECHDATA（音频文件夹）
││├─BJ（方言分类）
││ ││ bj0000001.wav音频文件）

命名规则

CORPUS/USAGE/SPEAKER_ID/SPEECH_IDe.g./SPEECHDATA/BJ/bj0000001.wav

目录名称 · 内容 · 备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 音频文件夹

SPEAKER_ID · BJ · 方言分类编号

SPEECH_ID · Bj0000001.wav · 音频文件

数据样例下载

点击下载数据样例