505小时客家话自然对话手机采集语音数据

客家话自然对话手机采集语音数据，基于30余个常见主题来模拟录制。此数据集标注了文本内容、句时间戳、说话人身份、性别等多种属性，由近900名来自广东地区的客家话使用者录制，准确性高，为语音识别相关研究及应用提供了丰富的资源，经多家AI公司验证：有助于模型面对真实世界的多样性时能够表现出色。我们严格遵循数据保护法规和隐私规定，确保数据采集、存储和使用的过程中维护用户的隐私和合法权益，所有数据均遵循GDPR,CCPA,PIPL。

数据堂如何保障数据质量与安全

数据规格

格式

16kHz，16bit，未压缩wav，单声道

录音环境

相对安静的室内，无回声

录音内容

给出话题列表，录音人从中挑选多个自己熟悉的话题以确保对话的流畅自然，围绕每个话题展开一段对话并录制

人员

894名录音人，录音人来自广东地区使用客家话的县市，男女比例均衡，覆盖多个年龄段标注特点：标注文本内容、普通话释义、有效句子的起止时间点、说话人标识

设备

安卓手机、苹果手机

语言

客家话

准确率

字准确率98%；普通话注释准确率90%

应用场景

语音识别，声纹识别

样例展示

0:00/ 0:00

你个健康你认为样欸来对待。你的健康你认为怎么来对待。

0:00/ 0:00

哦，涯等人一般就係，係朝晨夜晡涯等也会去锻炼，然后会去跳舞。哦，我们一般就是，是早上晚上我们也会去锻炼，然后会去跳舞。

0:00/ 0:00

行啊欸，然后去舞滴脉啊事情做啊样欸。走一下，然后去弄点什么事情做还是怎样。

0:00/ 0:00

涯哦，涯一般会去，呃早滴睡目啊，或者打羽毛球。我啊，我一般会去，呃早点睡觉啊，或者打羽毛球。

0:00/ 0:00

去外头跑下步，或者，就哪欸走走。去外面跑下步，或者，就哪里走走。