京公网安备11010802038645号京ICP备20022436号-3京EDI证京B2-20220639区块链京网信备 1101082276223860002X号数据描述
一、数据集基础信息
|
项目
|
详情
|
|---|---|
|
数据名称
|
100小时高质量粤语音频数据集
|
|
数据规模
|
总时长100小时，包含音频文件及对应结构化描述文件
|
|
文件格式
|
音频文件：WAV格式；描述文件：JSON格式
|
|
数据来源
|
专业团队跨区域采集，覆盖粤语核心使用区原生使用者，经三重质量校验与降噪处理
|
|
适用场景
|
大模型训练、粤语方言数字化传承、方言数据库开发、语音识别/合成数据集训练、跨境语言服务等
|
二、数据集内容特性
2.1 方言覆盖范围
全面覆盖粤语“广府片”核心区域及主要分支，包括：广州主城区及周边（番禺、花都）、香港特别行政区、澳门特别行政区、佛山（禅城、顺德）、东莞、中山、珠海，以及广西南宁、梧州等粤语使用区。完整收录不同地域粤语特色，如广州话的标准流畅、香港话的“中英混杂”、顺德话的独特声调、梧州话的粤桂融合特征，确保数据地域代表性无死角。
2.2 内容场景丰富度
-
生活化场景：涵盖茶餐厅点餐、街市购物、邻里寒暄、家庭聚餐等高频场景，如“唔该，要一份干炒牛河同冻柠茶”“今日街市啲虾好新鲜，买咗斤返去白灼”，还原粤语日常使用原貌。
-
文化特色场景：收录粤剧唱段、龙舟说唱、粤语童谣、凉茶铺对话、宗祠习俗交流等非遗及民俗内容，如“月光光，照地堂”的童谣传唱、“饮返杯五花茶清热祛湿”的传统认知表达，承载粤语文化内核。
-
跨境与职场场景：包含香港职场“OT（加班）”交流、澳门赌场服务对话、广交会粤语商务洽谈等跨境特色内容，如“呢个project要赶deadline，今晚可能要OT”，适配跨境服务模型训练。
-
情感与应急场景：覆盖喜悦（婚宴祝福）、焦急（寻物求助）、关切（长辈叮嘱）、紧急（突发事故求助）等多情绪内容，如“祝你新婚快乐，永结同心”“我个银包唔见咗，麻烦帮我睇下”，提升模型情感识别与应急响应能力。
2.3 说话人多样性
数据集包含250名以上说话人，覆盖全维度特征，还原粤语使用人群生态：
-
年龄分层：少年（8-17岁）、青年（18-35岁）、中年（36-55岁）、老年（56岁以上），其中老年群体占比达20%，重点收录传统粤语表达，避免方言词汇流失。
-
职业分布：涵盖学生、茶餐厅老板、粤剧演员、跨境电商从业者、澳门荷官、广州老街坊、香港白领等15+职业，内容贴合职业场景特色。
-
性别与身份：男女比例1:1.1，包含 native speaker（母语使用者）、长期使用粤语的非母语使用者，以及港澳籍、内地籍粤语使用者，适配多元使用需求。
-
语言风格：覆盖标准粤语、地域土话、“潮语”（如“yyds”粤语化表达）、传统粤语四种风格，兼顾传承与时代性。
三、技术参数说明
3.1 音频文件（WAV）参数
|
参数项
|
参数值
|
说明
|
|---|---|---|
|
采样率
|
48kHz
|
高于行业通用标准，完整保留粤语声调、语气词等细节特征
|
|
位深
|
16bit
|
精准捕捉语音动态范围，适配高保真语音合成需求
|
|
声道数
|
单声道为主，部分场景（如粤剧合唱）提供双声道文件
|
兼顾单一语音提取与场景化音频需求
|
|
信噪比
|
≥48dB
|
专业录音设备采集，后期通过AI降噪技术优化，无背景杂音干扰
|
|
单文件时长
|
3-70秒
|
适配大模型批量训练的文件规格，避免长音频标注偏差
|
3.2 描述文件（JSON）参数
每段音频对应独立JSON文件，UTF-8编码，字段标准化可直接解析，核心结构如下（含粤语特色字段）：
{
"key": "test....",
"rover_result": "一个人已经行....上向下分好.....下嘅唔知大家知唔知道我讲咩咧",
"confidence": 0.895,
"jyutping_confidence": 0.92,
"duration": 19.94,
"meta_info": {
"link": "http://aod.cos....,
"region": "未知地区",
"program": "未知节目"
},
"cut_point": [
867340,
886400
],
"utt2spk_attributes": {
"age": "MIDDLE_AGE",
"spk": null,
"gender": "Male",
"multispk": true
},
"speech_quality": {
"sampling_rate": 16000,
"DNSMOS": 1.8124959468841553,
"SNR": null
}
}
四、数据集核心价值
4.1 大模型训练核心价值
解决粤语大模型训练“数据质量低、地域覆盖窄”的行业痛点。100小时足量数据支撑模型迭代，多地域、多场景数据可提升粤语语音识别准确率（实测基础识别率达98.2%）、语音合成自然度，适配粤港澳大湾区智能政务、跨境客服、方言翻译等AI产品开发，如粤语智能导览系统、港澳版语音助手。
4.2 粤语数字化传承价值
系统收录粤剧、龙舟说唱等濒危粤语文化内容，以及老年群体的传统粤语表达，建立“语音+文本+场景”的三维数字化档案，为粤语非遗保护、方言文化研究提供权威数据，助力“粤语文化云库”等传承项目建设，避免方言词汇与文化内涵随时代流失。
4.3 数据库与产业应用价值
标准化数据结构可直接用于构建“粤港澳粤语语音数据库”，支持地域方言检索、文化内容分类等功能开发。同时可作为基础数据集，衍生“粤语情感语音数据集”“跨境粤语服务数据集”等细分产品，适配金融、文旅、政务等多行业需求。
看了又看
暂无推荐
验证报告
以下为卖家选择提供的数据验证报告：
粤语方言语音识别数据包、大模型训练、数字化传承、方言数据库开发、语音识别/合成数据集训练
6.81GB
申请报告