中文对话场景分轨音频数据集（2人组/3人组/4人组/多人组）

2,500小时多角色中文对话分轨录音，涵盖2人组、3人组、4人组和多人组四种对话形态，适用于复杂场景下的说话人日志和语音分离任务。

2,500 条数据更新时间 2026-05-11

数据集简介

本数据集采用多轨同步录音方案，采集了2,500小时的多人对话音频。内容包括2人、3人、4人及多人对话，对话场景涵盖研讨室讨论、餐桌谈话、会议室讨论等自然社交环境。音频规格为16kHz/16bit WAV格式，各说话人音轨独立，标注信息包括话段时间戳、说话人ID、文本转写和角色关系。适用于说话人日志(Speaker Diarization)、语音分离(Source Separation)和高阶交互式建模研究。

数据质量

记录完整性

90.42%

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。