印尼语英语脚本化语音识别语料库
数据集简介
数据集概述
ASR-SIndoESC(MDT-ASR-E070)是一个脚本化的印尼语-英语语音识别语料库,由 Magic Data Technology(北京晴数智慧科技有限公司)构建。数据集包含 645 小时的转写语音,由 1,084 名说话人贡献,内容为日常用语句子,旨在支持印尼语-英语混合场景下的自动语音识别(ASR)研究与开发。
数据集类型
该数据集属于 ASR 语音语料库(ASR speech corpus),专注于语音识别任务,提供音频与对应文本转写,可用于训练声学模型和语言模型。
语言
数据集的语音内容为印尼语-英语混合(en-ID),反映了印尼地区常见的双语交流场景。转写文本以 UTF-8 编码的 TXT 文件提供,便于处理多语言字符。
语音风格
语音风格为脚本化(scripted),即说话人按照预设的脚本朗读,确保内容覆盖日常用语,同时保持语音的自然度和一致性。这种风格适合构建稳定的 ASR 训练数据。
内容
语料内容围绕日常用语句子(daily use sentences),涵盖日常对话中常见的表达,有助于提升 ASR 系统在真实生活场景中的识别能力。
音频参数
音频文件采用 16 kHz 采样率、16 位量化、单声道(mono)格式,符合 ASR 任务的标准要求,兼顾音质与数据体积。
文件格式
- 音频:WAV(PCM)格式,无损保存音频数据。
- 转写:TXT(UTF-8)格式,便于读取和处理。
录音设备
录音使用移动设备(mobile)完成,贴近实际应用场景,有助于提高模型在移动端语音输入场景下的鲁棒性。
录音环境
录音在室内环境(indoor environment)中进行,减少了环境噪声干扰,保证了语音清晰度,适合作为训练数据。
行业与应用场景
该数据集适用于语音识别相关行业,如智能助手、语音输入、客服系统等,尤其针对印尼语-英语双语用户群体。具体应用场景包括但不限于语音转写、命令识别和对话系统。
许可与获取
该数据集为专有数据(Proprietary),并非开源许可。如需获取,请联系 business@magicdatatech.com 洽谈访问事宜。