1505小时中文普通话语音数据集
【1505小时中文普通话语音数据集】数据时长1505小时，是数据堂中文普通话语音数据库中的一部分。采集区域覆盖全国34个省级行政区域，参与录音人数达6408人，录音内容超30万条口语化句子。经过专业语音校对人员转写标注，并通过严格质量检验，句标注准确率达98%以上，是行业内句准确率的最高标准。
数据规格
| 格式 | 16kHz 16bit，wav，单声道 |
|---|---|
| 录音环境 | 安静的室内，噪音不影响语音识别 |
| 录音内容 | 30万条口语化句子 |
| 录音人员 | 6,408 人，男性 2,999 人，女性 3,301 人
≤20 岁 1,481 人，21~30 岁 4,412 人，31~40 岁 244 人，40 岁以上 163 人 录音人员分布于广东、福建、山东、江苏、北京、湖南、江西、香港、澳门等 34个省级行政区域 |
| 设备 | 安卓:iOS=9:1 |
| 语音 | 普通话；有口音的普通话 |
| 应用场景 | 语音识别、机器翻译、声纹识别 |
| 准确率 | 句标注准确率不低于98% |
| 使用效果 | 基于aidatatang_200zh数据集的语音识别模型训练效果，测评结果： |
| - | GMM-HMM | TDNN | CHAIN | |
| CER | 12.22% | 7.14% | 5.59% | |
| SER | 43.11% | 31.19% | 26.06% |
| 基于aidatatang_1,505zh数据集的语音识别模型训练效果，测评结果： |
| - | GMM-HMM | CHAIN | |
| CER | 7.35% | 31.19% | |
| SER | 3.14% | 23.05% |
|
注： *CER（Character Error Rate）指字识别错误率。 *SER（Sentence Error Rate）指句识别错误率。 *GMM-HMM指混合高斯模型-隐马尔科夫模型。 *TDNN（Time-delay Neural Networks）指时延神经网络模型。 *CHAIN（Chain model）是指链式模型。 |
申领流程及说明
协议原件邮寄信息
收 件 人：市场中心
联系方式：13260137510
邮件地址：services@datatang.com
收件地址：北京市海淀区宝盛南路1号院11号楼
合作机构
13051623904
services@datatang.com
