中英混合语音识别数据库1000小时

发布日期:2016-08-08

中英混合语音识别数据库在国内多个省市完成录制,共采集2000人的语音数据。发音人来自中国多个方言地区,男女比例均衡,年龄从18~65岁,发音自然流利。所有录制内容是中英文混合句,其中的中文部分用普通话发音。

具体采集地区如下表:

序号

方言区

地域范围

1

北方官话区

北京、东北三省、河北、山东、河南等

2

西南官话区

重庆、四川、云南、贵州、湖北

3

粤语区

广东、广西

4

吴语区

上海、江苏、浙江

5

闽语区

福建、海南、广东潮汕地区

6

赣语区

江西

7

湘语区

湖南、广西北部

该数据库总有效时长1000小时,数据采样率为16kHz,采样精度是16bit,为单通道录音,并以PCM非压缩文件格式存储。

录音采集设备是高端智能手机。

录音环境均为真实场景,分为三类:办公室/宿舍/家、餐厅/咖啡厅、街道。

全部录音数据与录音文本均由标注团队成员细心校对,保证句错误率低于5%。

该数据库能够反映中国各地大众水平英语发音的特点,在多种真实场景中录制,采集人数多,语音数据规模大,数据标注质量高,可用于真实场景语音识别系统训练、测试、语音分析、中英混合发音研究等多种用途。

相关数据