东北口音普通话对话语音识别语料库
数据集简介
数据集概述
ASR-CNEAcstCSC(A Chinese Northeastern Accent Conversational Speech Corpus)是一个面向自动语音识别(ASR)的东北口音普通话对话语音语料库,由北京晴数智慧科技有限公司(Magic Data Technology)构建。数据集包含185小时的已转写东北口音普通话对话语音,内容为特定话题下的自发对话,旨在支持东北口音普通话的语音识别与转写研究。
数据集类型
本数据集属于ASR语音识别语料库,提供音频与文本转写配对数据,适用于训练和评估语音识别模型,尤其针对东北口音普通话的识别性能优化。
语言
语料语言为中文普通话,但带有明显的东北口音(cmn-Northeast)。这种口音变体在声学特征和发音习惯上与标准普通话存在差异,对ASR系统构成挑战,因此该数据集可用于研究口音适应和鲁棒性提升。
语音风格
语音风格为对话式(Conversational),内容为自发对话(Spontaneous Conversation),而非朗读式或脚本化语音。这种自然对话风格更贴近真实应用场景,有助于提升ASR系统在口语交互中的表现。
内容
语料内容为自发对话,围绕特定话题展开,具体话题范围未在公开信息中详细列出。对话内容涵盖日常交流中的自然语言现象,如停顿、重复、语气词等,为ASR模型提供丰富的口语化训练样本。
音频参数
音频参数为16kHz采样率、16bit位深,符合常见ASR系统的输入要求。16kHz采样率能够覆盖语音主要频段,16bit位深保证了足够的动态范围,确保语音信号质量。
文件格式
数据文件格式为WAV(音频)和TXT(文本转写)。WAV文件存储原始音频,TXT文件提供对应的文本转写,便于直接用于监督式训练。
录音设备
关于录音设备的具体型号和配置,公开信息中未提供详细说明。通常此类语料库会采用专业麦克风或阵列进行录音,以保证音频质量,但具体细节需联系数据提供方获取。
录音环境
录音环境的具体描述(如室内、室外、噪声水平等)未在公开信息中明确。对话语音的采集环境可能影响音频的声学特性,但该数据集的录音环境细节需向Magic Data Technology咨询。
许可
本数据集为专有(Proprietary)语料,不公开免费下载。如需访问,请联系 business@magicdatatech.com 了解更多信息。
语料编号
语料编号为MDT-ASR-E047和MDT-ASR-E054,用于标识和引用该数据集。
规模
数据集总规模为185小时,其中包含160小时的ASR语料(根据事实卡scaleOrSize字段)。这一规模为训练和评估ASR模型提供了充足的数据量。