视频与音频数据集-语音识别 (12)
数据集简介
主要数据内容包括： 大规模中文普通话语音与语音转文本数据资源 包含多说话人、多地域口音的高质量普通话录音数据 提供语音音频、文本转录与说话人信息数据 覆盖安静室内、会议、多通道、车载等多种语音场景 包含 ASR、语音分离、说话人识别等相关标注数据 支持 16kHz 高保真音频与多通道麦克风采集数据 提供公开开源中文语音训练与评测数据资源 支持的能力方向包括： 自动语音识别（ASR）模型训练 中文语音理解与语音转写 说话人识别（Speaker Recognition）与声纹建模 多说话人分离与 Speaker Diarization 远场语音识别与车载语音交互训练 语音增强（Speech Enhancement）与降噪 Audio-Language 多模态模型训练 适用于： 中文语音 AI 模型研发 智能语音助手与车载语音系统 多语言语音识别与语音交互研究 智能会议与远场语音场景 语音 Benchmark 评测与算法验证 音频多模态数据训练与研究场景
数据质量
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
