智能家居语音数据-英文

一、产品概述

智能家居语音数据库共315小时。录音语言，英语；录音地区，美国。录音文本包含主流家居场景智能控制、影音娱乐、唤醒词、自由文本。邀请207名美国本土发音人参与录制。录制过程在真实家居环境中，模拟智能家居电器及应用产品为录音位，使用4个高保真麦克风（44.1kHz，16bit）同时进行录制。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、产品目录结构

目录结构

数据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（转写内容列表）
││├─spk_info.xlsx（录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─0001（录音人文件夹）
││ ││ H0001A（音频文件夹）
││ ││ H0001A0001.txt（语音内容文本）
││ ││ H0001A0001.wav（音频文件）
││ ││ H0001B（音频文件夹）
││ ││ H0001B0001.txt（语音内容文本）
││ ││ H0001B0001.wav（音频文件）

命名规则

CORPUS/CORPUS_ID/SPEAKER_NUM/SPEECH_IDe.g./SPEECHDATA/0001/H0001A/ H0001A0001.wav

目录名称 · 内容 · 备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 文件夹名称

FILE_ID · 0001 · 录音人文件夹名称

POINT_ID · H0001A · 录音位编号

SENTENCE_ID · H0001A0001.txt · TXT文件

SPEECH_ID · H0001A0001.wav · WAV文件

三、文本设计

语料制作

语料包含主流家居场景智能控制、影音娱乐、唤醒词、自由文本。按照规则处理生成语料池。 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。  删除含有英文以外语言的内容。 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 · 内容 · 每份分配量/句

1 · 智能控制 · 10

2 · 影音娱乐 · 90

3 · 唤醒词 · 50

4 · 自由文本 · 350

合计 · 4项 · 500句

四、录制环境

录制现场

1. 录制场景为真实家居场景，场景内包括基本家居用品、家电桌椅。2. 录制现场录音位分为0.3m,1m,3m,5m四种距离。3. 在确定好录音场地录音位后，调试设备、实录等准备工作。保证录音设备正常、稳定、满足录制要求。4. 录音人位置在指定位置录制语音数据。

录制设备

录制设备包括高保真麦克风和录音机。本数据库数据存储格式为高保真录制数据44.1kHz、16bit单声道格式。

录制方法

家居环境下布置4个点位，包含1个近讲点位，3个功能点位。近讲点位与发言人距离30厘米；功能点位分别固定在1m，3m，5m的位置，模拟各种家电可能出现的位置。发音人以讲话正常音量，正常语速，朗读录音文本。

序号 · 内容

A · 近讲点位：0.3m

B · 功能点位：1m

C · 功能点位：3m

D · 功能点位：5m

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。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）数字要转写为英文形式, 如“one two three”，而不是“123”。按照实际的发音如实转写。如“one hundred twenty three”、“twelve and three”。3）句中包含的符号，按实际发言人发音转写。如“triple W dot Google dot 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“iPhone”、“PayPal”。4）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”、“D N A”。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

基本信息记录

发音人信息记录内容包括任务编号、性别、年龄、场景。

任务编号 · 性别 · 年龄区间 · 场景

0001 · M · B · 场景1

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，女性。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：A(16-25岁)、B(26-40岁)、C(41岁以上)。场景：录制场景共4个，房间信息如下表。

场景 · 人数 · 房间

场景1 · 27 · 15m长*20m宽*3.5m高

场景2 · 20 · 6m长*4m宽*3m高

场景3 · 142 · 5.5m长*4m宽*2.8m高

场景4 · 11 · 5.2m长*3.5m宽*3.2m高

发音人结构特征

性别比例

数据库总人数为200人，男121人，女86人。

性别 · 男性 · 女性 · 合计

比例 · 64% · 36% · 100%

年龄比例

A（16-25岁）80人；B（26-40岁）80人；C（41岁以上）40人。

年龄区间 · 年龄段 · 人数 · 比例 · 男性 · 女性

A · 16-25岁 · 80 · 40% · 40 · 40

B · 26-40岁 · 80 · 40% · 68 · 12

C · ＞41岁 · 40 · 20% · 20 · 20

合计 · · 200 · 100% · 128 · 72

数据样例下载

点击下载数据样例