01 / 数据构成
规模、关键指标与数据流
从受控朗读到自然对话的普通话基础语料
- 1,240 h
- 总时长
- 2,800
- 说话人
- 8 个
- 方言区口音
| 数据流 | 规格 | 说明 |
|---|---|---|
| 音频 | 48 kHz / 24-bit | 双通道、低噪底,主通道为头戴式耳麦 |
| 视频 | 1920 × 1080 · 30 fps | 正面与侧面双机位,同步打板 |
| 文本 | UTF-8 / JSON | 逐字转写与音素边界对齐 |
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
普通话多模态朗读与对话语料库覆盖 2,800 名母语者,采集时间为 2023 年 4 月至 2026 年 3 月,累计 1,240 小时有效语料。数据分为三部分:受控朗读 420 小时、半结构化访谈 380 小时、自然对话 440 小时。说话人按性别、四个年龄段(18–25、26–40、41–60、60 岁以上)与 8 个方言区口音分层抽样,每位说话人至少贡献 25 分钟有效语音,保证单人声学特征与群体代表性之间的平衡。
对话场景在安静实验室与半消声室完成,双人对话采用自由话题与指定任务两种引导方式,以兼顾自然度与跨批次可比性。
采集规范
音频以 48 kHz / 24-bit 双通道录制,主传声器为头戴式耳麦,参考通道记录房间底噪;视频使用两台 1920 × 1080 · 30 fps 机位,正面记录口型与表情,侧面记录姿态。采集前统一完成设备时钟校准,全部设备由同一时基服务器授时,音视频打板帧写入元数据。
被试通过高校与社区渠道招募,签署知情同意书并填写发音人背景问卷(出生地、成长地、教育程度、常用语言)。涉及可识别信息的内容在采集当日完成脱敏登记。单场采集控制在 90 分钟以内,中间安排 10 分钟休息,降低嗓音疲劳对声学参数的影响。
标注体系
标注分四层,由受过统一培训的标注员完成,每层均配置独立的标注手册与示例库。
| 层级 | 内容 | 规模 | 复核方式 |
|---|---|---|---|
| 音素级 | 声母、韵母边界与置信度 | 62 个音素与声调组合 | 自动对齐 + 人工抽检 15% |
| 韵律层 | 韵律边界、重音、语调短语 | 4 级边界、3 级重音 | 双人标注,仲裁复核 |
| 转写层 | 逐字转写、非流利标记、口误 | 含 18 类非流利标签 | 双盲复核 20% |
| 情感层 | 情感类别与态度强度 | 7 类情感、4 级强度 | 双人标注,κ 报告 |
质量与验证
音视频同步误差中位数 1.4 ms,95 分位不超过 2 ms;音频信噪比不低于 42 dB;逐字转写字准确率 99.2%;韵律边界标注一致性 κ = 0.89。每批次抽取 12% 样本做双盲复核,未通过的批次整体重标,不进入交付。交付时附同步测量报告、噪声统计、标注一致性报告与元数据字典,所有指标可按批次追溯。
典型研究问题
- 方言区口音对普通话声调范畴感知与产出的影响。
- 自然对话中韵律边界与句法边界的对应关系。
- 情感标签与声学参数(F0、语速、能量)之间的关联强度。
- 语音识别系统在跨方言口音条件下的鲁棒性差异。
- 朗读与即兴口语在停顿模式上的系统性差别。
获取与授权
科研授权面向高校与非营利研究机构,商业授权面向语音技术、大模型与语言教学产品团队。交付内容包括原始音视频、带对齐标注的文本、标注手册与数据说明文档。可先通过示例数据申请 2 小时抽样批次,或在联系页说明研究问题与使用场景,获取定制子集的报价与交付周期。
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
语音识别鲁棒性评测
- 02
韵律与语调研究
- 03
语言教学与发音评估
- 04
情感与态度语言学研究
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。