跳到主要内容

DATASET 07 · 方言学

汉语方言语音档案库

覆盖七大方言区、24 个方言点的 2,150 小时语音档案,含 IPA 转写与发音人元数据。

语音视频文本方言学语言资源
汉语方言语音档案库 · 封面示意
规模
2,150 小时
参与者
1,860 名发音人
语种
汉语七大方言区 · 24 个方言点
标注
IPA 转写、声调标注、词汇与语法问卷、发音人元数据
格式
WAV / FLAC / TextGrid / JSON
同步
音频与视频同步误差 ≤ 2 ms
授权
科研授权(分级开放)
更新
2026 年 4 月 10 日

01 / 数据构成

规模、关键指标与数据流

为正在消失的声音保留可追溯的声学档案

2,150 h
总时长
24 个
方言点
1,860 名
发音人
3,200 条
词条
数据构成与规格
数据流规格说明
音频48 kHz / 24-bit头戴麦克风,安静室内录制
视频1920 × 1080 · 25 fps口型与面部记录,用于发音研究
文本UTF-8 / JSONIPA、汉字对照与问卷编码

表格为示例批次的采集参数,最终规格以随数据交付的说明文档为准。

02 / 数据说明

采集、标注与质量控制

以下内容说明数据如何被采集、标注与验证,可作为方法学引用与方案评估的依据。

数据概况

汉语方言语音档案库覆盖官话、吴、赣、湘、闽、粤、客七大方言区,共 24 个方言点,1,860 名发音人,累计 2,150 小时,采集时间为 2022 年 9 月至 2026 年 1 月。每个方言点包含 60 至 90 名发音人,按年龄段与性别均衡,并优先纳入仍能熟练使用当地方言的居民。

语料由三部分组成:3,200 条核心词表、语法问卷与自然讲述。核心词表用于跨方言比较,自然讲述包括地方故事、习俗描述与个人经历,单段时长 3 至 15 分钟,为声学与韵律研究提供连续语流。

采集规范

录音在安静室内使用头戴式麦克风,48 kHz / 24-bit 录制,同时以 1920 × 1080 · 25 fps 记录口型与面部。每个方言点由熟悉当地方言的调查员主持,先完成词表与问卷,再进行自然讲述。调查员使用统一的引导脚本,避免提问方式影响词汇选择。

发音人须在本地出生或在当地连续居住 20 年以上,签署知情同意书并填写语言背景问卷,记录家庭语言、外出经历与普通话使用频率。所有可识别信息在入库时替换为编码,原始联系表由专人保管、不随数据交付。

标注体系

标注以国际音标为基础,兼顾声学与词汇层信息。

层级内容规模复核方式
音系层IPA 宽式转写、声韵调3,200 条词表双人转写,第三方仲裁
声调层调值、调类、连读变调全量词表声学测量 + 人工复核
词汇层词义、语素、本字考订3,200 条方言学专家终审
元数据层发音人背景、采集地点、设备全量入库双人核对

质量与验证

音频与视频同步误差中位数 1.3 ms,95 分位不超过 2 ms;录音信噪比不低于 45 dB;IPA 转写一致性 κ = 0.86;声调调值测量与听辨结果一致率 93.5%。每批次抽取 10% 语料由方言学专家复核,疑难本字与连读变调单独记录争议说明。交付附调查手册、词表、发音人元数据表与转写规范。

典型研究问题

  • 七大方言区声调系统的类型学比较。
  • 连读变调规则在自然语流中的实现程度。
  • 方言词汇与普通话的接触与替换速度。
  • 年龄与性别对语音变异的影响。
  • 濒危方言的声学特征存档与复原。

获取与授权

本数据集采用分级开放:词表与元数据面向科研用户开放,自然讲述与视频需单独申请并经伦理审查;商业使用不提供原始影像,仅可授权声学特征与统计结果。交付格式为 WAV、FLAC、TextGrid 与 JSON。可先通过示例数据查看词表与标注样例,或在联系页说明研究用途与所需方言点。

03 / 典型用途

这批数据可以回答的问题

以下为典型研究与产品方向,具体分析方案需结合研究设计与统计方法确定。

  • 01

    方言声调系统比较

  • 02

    濒危方言存档与复兴

  • 03

    方言语音识别数据补充

  • 04

    语言接触与变异研究

NEXT STEP

需要调整采集场景或标注体系?

现有数据集可直接授权,也可基于你的研究设计扩展说话人、场景与标注层级。

1 个工作日内回复 · 支持 NDA 与数据授权协议 · 高校科研专属方案