音频中国方言

上海方言语音数据库

数据集介绍

一、产品概述

上海方言语音数据库共340小时。数据类型包含朗读和对话，其中朗读174小时，对话166小时。录音语言为上海方言；录音地区为中国上海。共邀请724名录音人，在安静环境下使用手机进行录制。此数据库经过专业校对，文本准确率达到95%以上，可用于声纹识别、语音识别等研究。

二、录音语料

录音文本结果

此数据库朗读部分录音文本采用每人470句，语音内容覆盖唤醒词、命令词、自由文本等，具体分配如下：

领域 · 内容例句 · 编号

唤醒词 · 小爱同学、小度小度 · 0001-0021

POI · 导航到科技广场 · 0022-0044

家居控制 · 请帮我开启视频二 · 0045-0051

拼读 · Q M P E · 0052-0054

数字 · 八百六十零九千五百七十七 · 0055-0074

问答 · 陈十三演的电影有哪些 · 0075-0089

音乐 · 唱首歌汪苏泷的歌 · 0090-0119

电视电影 · 游戏女王国语版 · 0120-0139

电台 · 我要把A M调为九百一十五点五千兆 · 0140-0144

娱乐 · 欧阳娜娜之后到大陆工作 · 0145-0160

财经 · 同比增长百分之幺点九 · 0161-0240

科技 · 出货量总额不敌苹果手表第一天额预定量 · 0241-0290

体育 · 今后阿拉会以北马为基础 · 0291-0340

时事新闻 · 玻璃门上贴了一张告示 · 0341-0390

综合 · 对你来说今晚一定很漫长 · 0391-0470

合计 · · 470

对话时录音人根据给定主题，自由发挥进行录制，主题分类大致如下：

领域 · 占比

电商零售 · 12%

金融 · 14%

教育 · 13%

科技 · 13%

生活服务 · 13%

汽车销售 · 7%

房地产 · 9%

物流 · 6%

其它 · 15%

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

性别比例

数据库总人数为724人，男232人，女492人。

性别 · 男性 · 女性 · 合计

占比 · 32% · 68% · 100%

年龄比例

录音人年龄具体分布如下所示：A(18-25岁)；B(26-40岁)；C(41-50岁)；D(51+岁)。人数占比年龄段

A · 18-25岁 · 79 · 10.9%

B · 26-40岁 · 374 · 51.7%

C · 41-50岁 · 223 · 30.8%

D · 51+岁 · 48 · 6.6%

合计 · 724 · 100% ·

四、数据录制环境

录制环境

安静室内，无回音，无其它人说话。

录制设备

市面上常见的手机，如苹果、华为、小米、oppo等。数据存储格式为16kHz，16bitwav文件。

录制方法

朗读部分录音人在安静室内通过手机小程序进行录制，正常语速朗读文本。对话部分录音人在安静室内通��手机拨打电话进行录制��

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”。注意区分“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。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

└─dialogue（对话数据）
│├─DOC（文本文件夹）
│├─wav_list.txt（音频列表）
│├─spkrinfo.xlsx（录音人信息）
│├─Textgrid（转写文本文件夹）
│├─PHD_0006.Textgrid（转写文本）
│├─SPEECHDATA（数据文件夹）
││ ││ PHD_0006.wav（音频文件）
│
└─reading（朗读数据）
│├─DOC (文本文件夹)
│├─content.txt（转写文本）
│├─wav_list.xlsx（音频列表）
│├─spkrinfo.xlsx（录音人信息）
│├─SPEECHDATA (数据文件夹)
│├─PH0012 (录音人编号)
││ ││ PH0012_0001.wav（音频文件）