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 / JSON | IPA、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
04 / 相关数据集
可以组合使用的数据集
同一研究问题常需要跨模态组合;以下条目与本数据集共享场景、说话人或标注体系。