音视频数据集

一、产品概述 中文多人语音合成数据库共12.76小时，12519条语音。录音语言，中文；录音地区，中国。邀请41名专业发音人在专业录音棚进行录制。录音设备为高保真，音频采样率为48kHz，比特率16bit。此数据库经过专业语音校对人员转写标注，标注包含字、拼音以及韵律，并通过严格质量检验，文本正确率达到99%。 二、录音语料 此数据库录音文本采用每份平均300句，相关处理如下：⚫ 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。⚫ 音素覆盖全面。⚫ 删除 < , > , [ , ] , ～ , / , \ , = 等符号。⚫ 删除含有中文和英文以外语言的内容。⚫ 删除单句含有30字以上的内容。⚫ 统一格式。 三、发音人信息 基本信息记录 发音人信息记录内容包括任务编号、性别、年龄区间。 任务编号 性别 年龄区间 W0001 男 A 任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。年龄区间：A(18-25岁)、B(26-36岁)。 发音人结构特征 性别比例 数据库总人数为41人，男14人，女27人。 性别 男性 女性 合计 比例 34% 66% 100% 年龄比例 A(18-25岁)；B(26-40岁)。 年龄段 人数 比例 A 18-25岁 17 41.5% B 26-36岁 24 58.5% 合计 100 100% 四、数据录制环境 录制环境 专业的录音棚进行录制，环境底噪小于35dBSPL，混响时间小于150ms。 录制设备 录制设备为高保真。 录制方法 发音人距离设备20～30厘米，正常音量、语速自然朗读录音文本。语音振幅不高于-3dBFS，不低于-9dBFS。无截幅和喷麦。 五、语音数据转写 数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。一般准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式, 如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）标注内容的完整性要与实际发音一致，不得删减。4）拼音以及声调根据实际发音转写，拼音和文本需一致，并考虑变调以及儿化音，如以下情况：拼音应与实际发音一致，如“这”分清楚读的是“zhe4”还是“zhei4”等。上声的变调，33变调：了解23；333变调：展览馆223、很勇敢323。多个上声3要根据紧密程度，划分出语义停顿，再根据上述规则进行变调。“一、不”变调：单念或语句末尾声调不变；去声4前变为2等。儿化音在原来音节加上“r”即可，如花儿 -huar。5）韵律标注包含韵律词（#1）、韵律短语（#2）、语调短语（#3）以及语调组边界（#4），音频与语法不一致的情况，以实际音频发音为准；相邻两级之间难以确定的情况，采取低一级标注。 六、数据文件目录 目录结构 数据目录树数据目录结构 └─DOC（文本说明文件） ││├─all_wav_list.txt（音频列表） ││├─spkrinfo.xlsx（录音人信息） ││├─content.txt（录音人信息） │ └─SPEECHDATA（数据文件夹） │├─P0001（录音人信息） ││ ││ P0001W0001.wav（音频文件） 命名规则 目录命名规则 <USAGE>/<Gender>/<SpeakerID>/<mood>/<wav_ID>e.g.SPEECHDATA/P0001/P0001W0001.wav 目录 内容 备注 USAGE SPEECHDATA 文件夹名称 SpeakerID P0001 录音人ID wav_ID P0001W0001.wav 音频文件 文件命名规则 <SPEAKER_ID><WAV_NUM>e.g. P0001W0001.wav 文件 内容 备注 SPEAKER_ID P0001 录音人ID WAV_NUM W0001.wav WAV编号 数据样例下载 点击下载数据样例（数据样例.zip）

一、产品概述 智能机器人语音数据库共23小时。录音语言，中文；录音地区，中国。录音文本为机器人智能控制文本，每人11句。以中国北方口音区域为主邀请646名发音人参与录制。录制过程在真实家居环境中，模拟智能家居电器及应用产品使用情况，设置7个录音位。其中5个为高保真麦克风(44.1kHz，16bit)、1个为iOS系统手机(16kHz，16bit)与1个Android系统手机(16kHz，16bit)进行录制。此数据库经过专业语音校对人员转写标注，并通过严格质量检验，文本正确率在95%以上。 二、产品目录结构 目录结构 数据目录结构数据目录结构 └─DOC（文本说明文件） ││├─wav_list.txt（音频列表） ││├─content.txt（语音文本内容） ││├─spk_info.xlsx（录音人信息） ││├─room_info.xlsx（场景信息） │ └─SPEECHDATA（数据文件夹） │├─0001（录音人文件夹） ││ ││ H0001A（音频文件夹） ││ ││ H0001A0001.wav（音频文件） ││ ││ H0001B（音频文件夹） ││ ││ H0001B0001.wav（音频文件） 命名规则 CORPUS/USAGE/SPEAKER_NUM/POINT_ID/SPEECH_IDe.g./SPEECHDATA/0001/H0001A/ H0001A0001.wav 目录名称 内容 备注 CORPUS 语音数据库编号 USAGE SPEECHDATA 文件夹名称 SPEAKER_NUM 0001 录音人文件夹名称 POINT_ID H0001A 录音位编号 SPEECH_ID H0001A0001.wav WAV文件 三、文本设计 语料制作 考虑到语音识别在主流家居场景下的智能设备的应用，文本设计选用机器人领域文本。按照规则处理语料池。⚫ 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。⚫ 删除 < , > , [ , ] , ～ , / , \ , = 等符号。⚫ 删除含有中文和英文以外语言的内容。⚫ 删除单句含有25字以上的内容。⚫ 统一格式。 文本结构 序号 领域 每份分配量/句 1 机器人 11 合计 11句 四、录制环境 录制现场 1. 录制场景为真实家居场景，场景内包括基本家居用品、家电桌椅。2. 录制现场录音位由现场具体环境来确定。（涉及到录音位的距离、高度等）3. 录制距离由实际场景左右会出现0.5m,1.5m,2m,2.5m,3m,3.5m,4m,5m的距离。4. 在确定好录音场地录音位后，调试设备、实录等准备工作。保证录音设备正常、稳定、满足录制要求。5. 录音人位置在指定位置录制语音数据。 录制设备 录制设备包括高保真麦克风和录音机、手机。本数据库数据存储格式为高保真录制数据44.1kHz、16bit单声道和手机录制数据16kHz、16bit单声道两种格式。 录制方法 家居环境下布置7个点位，包含3个近讲点位，4个功能点位。功能点位固定在空调、电视、台灯、扫地机器人；近讲点位与发言人距离30厘米，包含一部高保真麦克风和两部手机(iOS & Android)。发音人以讲话正常音量，正常语速，朗读录音文本。 序号 内容 A 录音位1：空调 B 录音位2：电视 C 录音位3：台灯 D 录音位4：扫地机器人&其它 E 录音位5：近讲iOS F 录音位6近讲Android G 录音位7：近讲麦克风 五、标注转写规范 数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式，如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）句中出现的英文按照发音写出单词，如“thank you”。按拼读朗读的字母，需转写成大写字母加空格的形式。如，“N B A”、“U F O”。4）句中包含的符号，按实际发言人发音转写。如“三W点百度点com”。没有发音的符号，需要删掉。品牌名称，专有名称等按照实际惯用格式转写，如“QQ空间”、“iPhone”、“喜马拉雅”。5）标注内容的完整性要与实际发音一致，不得删减。 六、发音人信息 基本信息记录 发音人信息记录内容包括任务编号、性别、口音区域、年龄区间、场景环境。 任务编号 性别 口音区域 年龄区间 场景环境 0001 男 北方 B 场景一 任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。性别：男性，女性。口音区域：按照发言人原生语言所属区域，分为北方、南方、其他。年龄区间：A(15岁以下)、B(16-25岁)、C(26-40岁)、D(41岁以上)。场景环境：录制场景共十二个，场景信息按编号记录在附件room_info中。 场景 编号 场景 编号 场景一 bedroom_1 场景七 diningroom_1 场景二 bedroom_2 场景八 drawingroom_1 场景三 bedroom_3 场景九 drawingroom_2 场景四 bedroom_4 场景十 drawingroom_3 场景五 bedroom_5 场景十一 drawingroom_4 场景六 bedroom_6 场景十二 drawingroom_5 发音人结构特征 性别比例 数据库总人数为646人，男276人，女370人。 性别 男性 女性 合计 比例 43% 57% 100% 年龄比例 A（15岁以下）0人；B（16-25岁）631人；C（26-40岁）12人；D（41岁以上）3人。 年龄区间 年龄段 人数 比例 男性 女性 A ＜15岁 0 0 0 0 B 16-25岁 631 97.7% 269 362 C 26-40岁 12 1.9% 6 6 D ＞41岁 3 0.5% 1 2 合计 646 100% 276 370 方言区域比例 北方545人；南方91人；其他10人。 区域 人数 比例 北方 545 84.4% 南方 91 14.1% 其它 10 1.5% 合计 646 100% 数据样例下载 点击下载数据样例（数据样例.zip）

一、产品概述 噪音场景数据库共37.4小时。在真实场景下进行采集，共包含17个分类场景。使用安卓系统手机进行录制，采样率44.1kHz，比特率16bit。 二、场景信息 噪声是在不同时间段、不同真实场景下用安卓手机进行录制，具体覆盖场景如下： 序号 场景 占比（*100） 1 步行街 5.87 2 餐馆 5.76 3 超市 5.84 4 车载关窗 6.89 5 车载开窗 5.9 6 电视客厅 5.94 7 地铁 3.91 8 复印社 6 9 公交车 5.74 10 广场 5.8 11 火车站 6.39 12 健身房 5.75 13 教室 6.65 14 集市 5.81 15 酒吧 5.86 16 马路 5.86 17 书店 6.03 合计 100 三、产品目录结构 目录结构 数据目录结构 数据目录结构 │ NOISE_INFO.xlsx（统计信息） └─DATA（数据文件夹） │├─BUXJ02.wav（音频） 命名规则 CORPUS/USAGE/<SENERIO>.WAVe.g./DATA/BUXJ02.wav 目录名称 内容 备注 CORPUS 语音数据库编号 USAGE DATA 文件夹名称 <SENERIO>.WAV BUXJ02.wav 音频 数据样例下载 点击下载数据样例

一、产品概述 中文情感语音合成数据库共40小时。录音语言，中文；录音地区，中国。以中国北方口音区域为主邀请109名发音人参与录制。其中100名录音人分别录制悲伤、愤怒、恐惧、快乐、中性5种情绪，9人分别录制悲伤、愤怒、快乐、惊讶和中性共5种情感。安静录音室录制，设备覆盖高保真，音频采样率为48kHz&44.1kHz & 16kHz，比特率16bit。此数据库经过专业语音校对人员转写标注，标注包含字、拼音以及韵律，并通过严格质量检验，文本正确率达到99%。 二、录音语料 语料池的制作 录音文本的结果设计 此数据库录音文本前100位录音人采用每份300句，每种情绪60句的分配方式设计，从语料池中抽取，新增9人以每人每个情感260句，结构如下。 序号 情绪 备注(001~100) 1 sad 0001-0060 2 angry 0061-0120 3 fear 0121-0180 4 happy 0181-0240 5 neutral 0241-0300 序号 情绪 备注(101~-109) 1 sad 0001-0260 2 angry 0261-0520 3 amaze 0521-0780 4 happy 0781-1040 5 neutral 1041-1300 语料池处理 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。 音素覆盖全面。 删除 < , > , [ , ] , ～ , / , \ , = 等符号。 删除含有中文和英文以外语言的内容。 删除单句含有25字以上的内容。 统一格式。 三、发音人信息 基本信息记录 发音人信息记录内容包括任务编号、性别、口音区域、年龄区间。 任务编号 性别 口音区域 年龄区间 W0001 男 北方 A 任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。口音区域：按照发言人原生语言所属区域划分。年龄区间：A(18-25岁)、B(26-40岁)、C(41岁以上)。 发音人结构特征 性别比例 数据库总人数为109人，男55人，女54人。 性别 男性 女性 合计 比例 50.5% 49.5% 100% 年龄段 人数 比例 A 18-25岁 85 78.1% B 26-40岁 16 14.7% C > 41岁 8 7.2% 合计 109 100% 年龄比例 A(18-25岁)；B(26-40岁)；C(41岁以上)。 四、数据录制环境 录制环境 安静室内，不包括明显的其他人说话声音及其他噪音，无回音，信噪比达到30db以上。发言人按照正常语速，朗读录音文本。101~109人在专业录音棚录制。 录制设备 录制设备为高保真。 录制方法 发音人距离设备20～30厘米，正常音量、语速朗读录音文本。 五、语音数据转写 数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。一般准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式, 如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）音频中有英文发音的应写成相应的汉字或英文。具体分为以下几种情况：网址中包含的所有的字母或单词，均为大写。例如：发音内容为”www.abc.com”, 应转写为“三W点A B C点com”发音中包含的英文单词，转写时全部为小写；包含的英文字母，转写时全部为大写。对于一些大写专有名词，或者一些英文缩写全部大写加空格，例如：C E O、C C T V等。4）标注��容的完整性要与实际发音一致，不得删减。5）拼音以及声调根据实际发音转写，拼音和文本需一致，并考虑变调以及儿化音，如以下情况：拼音应与实际发音一致，如“这”分清楚读的是“zhe4”还是“zhei4”等。上声的变调，33变调：了解23；333变调：展览馆223、很勇敢323。多个上声3要根据紧密程度，划分出语义停顿，再根据上述规则进行变调。“一、不”变调：单念或语句末尾声调不变；去声4前变为2等。儿化音在原来音节加上“r”即可，如花儿 -huar。6）韵律标注包含韵律词（#1）、韵律短语（#2）、语调短语（#3）以及语调组边界（#4），音频与语法不一致的情况，以实际音频发音为准；相邻两级之间难以确定的情况，采取低一级标注。 六、数据文件目录 目录结构 数据目录树数据目录结构 └─DOC（文本说明文件） ││├─all_wav_list.txt（音频列表） ││├─spkrinfo.xlsx（录音人信息） ││├─content.txt（录音人信息） │ └─SPEECHDATA（数据文件夹） │├─Female (性别信息) │├─M0002（录音人信息） │├─angry（情绪信息） ││ ││ 0002W0061.wav（音频文件） 命名规则 目录命名规则 <USAGE>/<Gender>/<SpeakerID>/<mood>/<wav_ID>e.g.SPEECHDATA/Feamle/M0002/angrg/0002W0061.wav 目录 内容 备注 USAGE SPEECHDATA 文件夹名称 Gender Female & Male 性别信息 SpeakerID M0001 录音人ID mood angry 情感分类 wav_ID 0002W0061.wav 音频文件 文件命名规则 <SPEAKER_ID><WAV_NUM>e.g. 0002W0061.wav 文件 内容 备注 SPEAKER_ID 0002 录音人ID WAV_NUM W0061 WAV编号 数据样例下载 点击下载数据样例（数据样例.zip）

一、产品概述 中文多人语音合成数据库共12.76小时，12519条语音。录音语言，中文；录音地区，中国。邀请41名专业发音人在专业录音棚进行录制。录音设备为高保真，音频采样率为48kHz，比特率16bit。此数据库经过专业语音校对人员转写标注，标注包含字、拼音以及韵律，并通过严格质量检验，文本正确率达到99%。 二、录音语料 此数据库录音文本采用每份平均300句，相关处理如下：⚫ 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。⚫ 音素覆盖全面。⚫ 删除 < , > , [ , ] , ～ , / , \ , = 等符号。⚫ 删除含有中文和英文以外语言的内容。⚫ 删除单句含有30字以上的内容。⚫ 统一格式。 三、发音人信息 基本信息记录 发音人信息记录内容包括任务编号、性别、年龄区间。 任务编号 性别 年龄区间 W0001 男 A 任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。年龄区间：A(18-25岁)、B(26-36岁)。 发音人结构特征 性别比例 数据库总人数为41人，男14人，女27人。 性别 男性 女性 合计 比例 34% 66% 100% 年龄比例 A(18-25岁)；B(26-40岁)。 年龄段 人数 比例 A 18-25岁 17 41.5% B 26-36岁 24 58.5% 合计 100 100% 四、数据录制环境 录制环境 专业的录音棚进行录制，环境底噪小于35dBSPL，混响时间小于150ms。 录制设备 录制设备为高保真。 录制方法 发音人距离设备20～30厘米，正常音量、语速自然朗读录音文本。语音振幅不高于-3dBFS，不低于-9dBFS。无截幅和喷麦。 五、语音数据转写 数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。一般准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式, 如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）标注内容的完整性要与实际发音一致，不得删减。4）拼音以及声调根据实际发音转写，拼音和文本需一致，并考虑变调以及儿化音，如以下情况：拼音应与实际发音一致，如“这”分清楚读的是“zhe4”还是“zhei4”等。上声的变调，33变调：了解23；333变调：展览馆223、很勇敢323。多个上声3要根据紧密程度，划分出语义停顿，再根据上述规则进行变调。“一、不”变调：单念或语句末尾声调不变；去声4前变为2等。儿化音在原来音节加上“r”即可，如花儿 -huar。5）韵律标注包含韵律词（#1）、韵律短语（#2）、语调短语（#3）以及语调组边界（#4），音频与语法不一致的情况，以实际音频发音为准；相邻两级之间难以确定的情况，采取低一级标注。 六、数据文件目录 目录结构 数据目录树数据目录结构 └─DOC（文本说明文件） ││├─all_wav_list.txt（音频列表） ││├─spkrinfo.xlsx（录音人信息） ││├─content.txt（录音人信息） │ └─SPEECHDATA（数据文件夹） │├─P0001（录音人信息） ││ ││ P0001W0001.wav（音频文件） 命名规则 目录命名规则 <USAGE>/<Gender>/<SpeakerID>/<mood>/<wav_ID>e.g.SPEECHDATA/P0001/P0001W0001.wav 目录 内容 备注 USAGE SPEECHDATA 文件夹名称 SpeakerID P0001 录音人ID wav_ID P0001W0001.wav 音频文件 文件命名规则 <SPEAKER_ID><WAV_NUM>e.g. P0001W0001.wav 文件 内容 备注 SPEAKER_ID P0001 录音人ID WAV_NUM W0001.wav WAV编号 数据样例下载 点击下载数据样例（数据样例.zip）

一、产品概述 智能机器人语音数据库共23小时。录音语言，中文；录音地区，中国。录音文本为机器人智能控制文本，每人11句。以中国北方口音区域为主邀请646名发音人参与录制。录制过程在真实家居环境中，模拟智能家居电器及应用产品使用情况，设置7个录音位。其中5个为高保真麦克风(44.1kHz，16bit)、1个为iOS系统手机(16kHz，16bit)与1个Android系统手机(16kHz，16bit)进行录制。此数据库经过专业语音校对人员转写标注，并通过严格质量检验，文本正确率在95%以上。 二、产品目录结构 目录结构 数据目录结构数据目录结构 └─DOC（文本说明文件） ││├─wav_list.txt（音频列表） ││├─content.txt（语音文本内容） ││├─spk_info.xlsx（录音人信息） ││├─room_info.xlsx（场景信息） │ └─SPEECHDATA（数据文件夹） │├─0001（录音人文件夹） ││ ││ H0001A（音频文件夹） ││ ││ H0001A0001.wav（音频文件） ││ ││ H0001B（音频文件夹） ││ ││ H0001B0001.wav（音频文件） 命名规则 CORPUS/USAGE/SPEAKER_NUM/POINT_ID/SPEECH_IDe.g./SPEECHDATA/0001/H0001A/ H0001A0001.wav 目录名称 内容 备注 CORPUS 语音数据库编号 USAGE SPEECHDATA 文件夹名称 SPEAKER_NUM 0001 录音人文件夹名称 POINT_ID H0001A 录音位编号 SPEECH_ID H0001A0001.wav WAV文件 三、文本设计 语料制作 考虑到语音识别在主流家居场景下的智能设备的应用，文本设计选用机器人领域文本。按照规则处理语料池。⚫ 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。⚫ 删除 < , > , [ , ] , ～ , / , \ , = 等符号。⚫ 删除含有中文和英文以外语言的内容。⚫ 删除单句含有25字以上的内容。⚫ 统一格式。 文本结构 序号 领域 每份分配量/句 1 机器人 11 合计 11句 四、录制环境 录制现场 1. 录制场景为真实家居场景，场景内包括基本家居用品、家电桌椅。2. 录制现场录音位由现场具体环境来确定。（涉及到录音位的距离、高度等）3. 录制距离由实际场景左右会出现0.5m,1.5m,2m,2.5m,3m,3.5m,4m,5m的距离。4. 在确定好录音场地录音位后，调试设备、实录等准备工作。保证录音设备正常、稳定、满足录制要求。5. 录音人位置在指定位置录制语音数据。 录制设备 录制设备包括高保真麦克风和录音机、手机。本数据库数据存储格式为高保真录制数据44.1kHz、16bit单声道和手机录制数据16kHz、16bit单声道两种格式。 录制方法 家居环境下布置7个点位，包含3个近讲点位，4个功能点位。功能点位固定在空调、电视、台灯、扫地机器人；近讲点位与发言人距离30厘米，包含一部高保真麦克风和两部手机(iOS & Android)。发音人以讲话正常音量，正常语速，朗读录音文本。 序号 内容 A 录音位1：空调 B 录音位2：电视 C 录音位3：台灯 D 录音位4：扫地机器人&其它 E 录音位5：近讲iOS F 录音位6近讲Android G 录音位7：近讲麦克风 五、标注转写规范 数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式，如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）句中出现的英文按照发音写出单词，如“thank you”。按拼读朗读的字母，需转写成大写字母加空格的形式。如，“N B A”、“U F O”。4）句中包含的符号，按实际发言人发音转写。如“三W点百度点com”。没有发音的符号，需要删掉。品牌名称，专有名称等按照实际惯用格式转写，如“QQ空间”、“iPhone”、“喜马拉雅”。5）标注内容的完整性要与实际发音一致，不得删减。 六、发音人信息 基本信息记录 发音人信息记录内容包括任务编号、性别、口音区域、年龄区间、场景环境。 任务编号 性别 口音区域 年龄区间 场景环境 0001 男 北方 B 场景一 任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。性别：男性，女性。口音区域：按照发言人原生语言所属区域，分为北方、南方、其他。年龄区间：A(15岁以下)、B(16-25岁)、C(26-40岁)、D(41岁以上)。场景环境：录制场景共十二个，场景信息按编号记录在附件room_info中。 场景 编号 场景 编号 场景一 bedroom_1 场景七 diningroom_1 场景二 bedroom_2 场景八 drawingroom_1 场景三 bedroom_3 场景九 drawingroom_2 场景四 bedroom_4 场景十 drawingroom_3 场景五 bedroom_5 场景十一 drawingroom_4 场景六 bedroom_6 场景十二 drawingroom_5 发音人结构特征 性别比例 数据库总人数为646人，男276人，女370人。 性别 男性 女性 合计 比例 43% 57% 100% 年龄比例 A（15岁以下）0人；B（16-25岁）631人；C（26-40岁）12人；D（41岁以上）3人。 年龄区间 年龄段 人数 比例 男性 女性 A ＜15岁 0 0 0 0 B 16-25岁 631 97.7% 269 362 C 26-40岁 12 1.9% 6 6 D ＞41岁 3 0.5% 1 2 合计 646 100% 276 370 方言区域比例 北方545人；南方91人；其他10人。 区域 人数 比例 北方 545 84.4% 南方 91 14.1% 其它 10 1.5% 合计 646 100% 数据样例下载 点击下载数据样例（数据样例.zip）

一、产品概述 噪音场景数据库共37.4小时。在真实场景下进行采集，共包含17个分类场景。使用安卓系统手机进行录制，采样率44.1kHz，比特率16bit。 二、场景信息 噪声是在不同时间段、不同真实场景下用安卓手机进行录制，具体覆盖场景如下： 序号 场景 占比（*100） 1 步行街 5.87 2 餐馆 5.76 3 超市 5.84 4 车载关窗 6.89 5 车载开窗 5.9 6 电视客厅 5.94 7 地铁 3.91 8 复印社 6 9 公交车 5.74 10 广场 5.8 11 火车站 6.39 12 健身房 5.75 13 教室 6.65 14 集市 5.81 15 酒吧 5.86 16 马路 5.86 17 书店 6.03 合计 100 三、产品目录结构 目录结构 数据目录结构 数据目录结构 │ NOISE_INFO.xlsx（统计信息） └─DATA（数据文件夹） │├─BUXJ02.wav（音频） 命名规则 CORPUS/USAGE/<SENERIO>.WAVe.g./DATA/BUXJ02.wav 目录名称 内容 备注 CORPUS 语音数据库编号 USAGE DATA 文件夹名称 <SENERIO>.WAV BUXJ02.wav 音频 数据样例下载 点击下载数据样例

一、产品概述 中文情感语音合成数据库共40小时。录音语言，中文；录音地区，中国。以中国北方口音区域为主邀请109名发音人参与录制。其中100名录音人分别录制悲伤、愤怒、恐惧、快乐、中性5种情绪，9人分别录制悲伤、愤怒、快乐、惊讶和中性共5种情感。安静录音室录制，设备覆盖高保真，音频采样率为48kHz&44.1kHz & 16kHz，比特率16bit。此数据库经过专业语音校对人员转写标注，标注包含字、拼音以及韵律，并通过严格质量检验，文本正确率达到99%。 二、录音语料 语料池的制作 录音文本的结果设计 此数据库录音文本前100位录音人采用每份300句，每种情绪60句的分配方式设计，从语料池中抽取，新增9人以每人每个情感260句，结构如下。 序号 情绪 备注(001~100) 1 sad 0001-0060 2 angry 0061-0120 3 fear 0121-0180 4 happy 0181-0240 5 neutral 0241-0300 序号 情绪 备注(101~-109) 1 sad 0001-0260 2 angry 0261-0520 3 amaze 0521-0780 4 happy 0781-1040 5 neutral 1041-1300 语料池处理 脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。 音素覆盖全面。 删除 < , > , [ , ] , ～ , / , \ , = 等符号。 删除含有中文和英文以外语言的内容。 删除单句含有25字以上的内容。 统一格式。 三、发音人信息 基本信息记录 发音人信息记录内容包括任务编号、性别、口音区域、年龄区间。 任务编号 性别 口音区域 年龄区间 W0001 男 北方 A 任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。口音区域：按照发言人原生语言所属区域划分。年龄区间：A(18-25岁)、B(26-40岁)、C(41岁以上)。 发音人结构特征 性别比例 数据库总人数为109人，男55人，女54人。 性别 男性 女性 合计 比例 50.5% 49.5% 100% 年龄段 人数 比例 A 18-25岁 85 78.1% B 26-40岁 16 14.7% C > 41岁 8 7.2% 合计 109 100% 年龄比例 A(18-25岁)；B(26-40岁)；C(41岁以上)。 四、数据录制环境 录制环境 安静室内，不包括明显的其他人说话声音及其他噪音，无回音，信噪比达到30db以上。发言人按照正常语速，朗读录音文本。101~109人在专业录音棚录制。 录制设备 录制设备为高保真。 录制方法 发音人距离设备20～30厘米，正常音量、语速朗读录音文本。 五、语音数据转写 数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。一般准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式, 如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）音频中有英文发音的应写成相应的汉字或英文。具体分为以下几种情况：网址中包含的所有的字母或单词，均为大写。例如：发音内容为”www.abc.com”, 应转写为“三W点A B C点com”发音中包含的英文单词，转写时全部为小写；包含的英文字母，转写时全部为大写。对于一些大写专有名词，或者一些英文缩写全部大写加空格，例如：C E O、C C T V等。4）标注��容的完整性要与实际发音一致，不得删减。5）拼音以及声调根据实际发音转写，拼音和文本需一致，并考虑变调以及儿化音，如以下情况：拼音应与实际发音一致，如“这”分清楚读的是“zhe4”还是“zhei4”等。上声的变调，33变调：了解23；333变调：展览馆223、很勇敢323。多个上声3要根据紧密程度，划分出语义停顿，再根据上述规则进行变调。“一、不”变调：单念或语句末尾声调不变；去声4前变为2等。儿化音在原来音节加上“r”即可，如花儿 -huar。6）韵律标注包含韵律词（#1）、韵律短语（#2）、语调短语（#3）以及语调组边界（#4），音频与语法不一致的情况，以实际音频发音为准；相邻两级之间难以确定的情况，采取低一级标注。 六、数据文件目录 目录结构 数据目录树数据目录结构 └─DOC（文本说明文件） ││├─all_wav_list.txt（音频列表） ││├─spkrinfo.xlsx（录音人信息） ││├─content.txt（录音人信息） │ └─SPEECHDATA（数据文件夹） │├─Female (性别信息) │├─M0002（录音人信息） │├─angry（情绪信息） ││ ││ 0002W0061.wav（音频文件） 命名规则 目录命名规则 <USAGE>/<Gender>/<SpeakerID>/<mood>/<wav_ID>e.g.SPEECHDATA/Feamle/M0002/angrg/0002W0061.wav 目录 内容 备注 USAGE SPEECHDATA 文件夹名称 Gender Female & Male 性别信息 SpeakerID M0001 录音人ID mood angry 情感分类 wav_ID 0002W0061.wav 音频文件 文件命名规则 <SPEAKER_ID><WAV_NUM>e.g. 0002W0061.wav 文件 内容 备注 SPEAKER_ID 0002 录音人ID WAV_NUM W0061 WAV编号 数据样例下载 点击下载数据样例（数据样例.zip）