中文对话爬取
46,000小时大规模中文自然对话爬取语料，涵盖人物访谈、创业交流、生活沟通、商业沟通、政治访谈、歌手演员六大类对话场景，适用于大模型语音预训练。
4.6万 条数据更新时间 2026-05-11
数据集简介
本数据集从公开网络资源中大规模爬取和清洗得到，总时长46,000小时，覆盖6大类对话场景。所有音频均经过智能语音处理与人工双重审核，提供精准的文本转写(字准确率98%以上)。音频格式涵盖16kHz至44.1kHz/16bit等多种采样范围，每位说话人均有独立的ID标签和性别标注。可用于训练下一代语音大模型的对话理解能力，提高中文ASR在真实开放域场景下的鲁棒性。
数据质量
记录完整性
95.37%
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
需要定制更适合业务场景的数据集？
我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。