数据上新 | 专业领域多语种对话语音数据集

引言

目前，语音识别技术仍面临口音多样性、行业术语专业化、语境理解不足等多种挑战。尤其在专业领域应用等场景下，通用的语音识别模型的鲁棒性及准确率都会有明显下降。

数据堂大规模、多语种自然对话数据集，覆盖多个行业，帮助客户提升不同应用场景下语音识别模型的表现力，实现更高效的语音交互体验。

小语种数据稀缺、且内容多为公开音视频，表达上缺乏自然度，导致模型训练受限。数据堂充分考虑多语种识别模型需求，持续推出数百套小语种自然对话数据集，覆盖30+国家，旨在帮助提升多语种语音识别模型的表现力。

由800余名来自不同地域和文化背景的法国本土人录制，总时长约为1200小时，标注了文本内容、句时间戳、说话人身份、性别等多种属性，准确性高。

马来语自然对话语音数据集

给出话题列表，录音人从中挑选多个自己熟悉的话题以确保对话的流畅。录制多段对话，每段对话不超过30分钟。对涉及到说话人的敏感信息做了标注。

葡萄牙语自然对话语音数据集

包含欧洲葡萄牙语及巴西葡萄牙语。总时长接近800小时，无预制文本，本土录音人以自然方式进行对话，同时录制对话的内容。词准确率达98%。

印地语自然对话语音数据集

数据总时长达1700小时，由2000多名录音人基于常见话题开展对话，其中男女比例平衡，16至25岁人群占比77%。标注文本内容、有效句子的起止时间点、说话人标识等。

意大利语自然对话语音数据集

总时长达1200小时，由意大利本土录音人进行录制，录制环境为室内，安静无回声。涵盖美食、电影、音乐等30多个常见话题。标注说话人的非文本噪声、稳定噪声等特殊标签。

西班牙语自然对话语音数据集

包括西班牙西班牙语及墨西哥西班牙语，总时长达1600小时。数据经多家AI公司验证，有助于模型面对真实世界的多样性时能够表现出色。

菲律宾语自然对话语音数据集

录音人根据自己熟悉的话题进行流程的自然对话，每段对话不超过30分钟。录音人均为本土发音人，数据时长为200余小时，文本标注词错误率（WER）低于2%。

日语自然对话语音数据集

数据时长达800多小时，由800余名发音人参与录制，以自然方式进行交流，针对给定的数个话题自由发挥，领域广泛，语音自然流利，符合实际对话场景。人工转写文本，准确率高。

专业领域数据集

数据堂自有的专业领域标注口语化数据，涵盖金融、医疗、游戏、客服等多个专业领域，均由具备行业知识背景的母语发言人录制，内容覆盖各领域专业名词及行话，准确率高。

金融领域

英语金融语音数据

录音人来自英国、美国等地，数据时长为200余小时。内容涵盖宏观类金融内容及微观类金融内容。句准确率达95%。

韩语金融语音数据

总时长为200余小时，标注文本内容、有效句子的起止时间、说话人标识、性别、噪音标注、敏感信息标注、实体标注、大小写标注。

德语金融语音数据

内容包括整体经济、市场趋势、金融政策、汇率变动等宏观类金融内容及个体企业、股票、债券、投资组合等微观类金融内容。剔除语音中底噪过高、回声过大等影响语音识别的数据。

西班牙语金融语音数据

录音人来自拉丁美洲国家、西班牙等地，时长达200余小时，内容涵盖各类金融类专业名词。标注文本内容、说话人标识、性别、噪音、敏感信息、人物、地点、金融产品等实体标注。

游戏领域

德语游戏领域语音数据

录音环境覆盖室内、室外、娱乐场所等。内容涵盖该国流行经典头部游戏中的对话语音（如FPS、MOBA、MMORPG等），涵盖玩家商量对战策略、社交互动、电竞类新闻等内容。

英语游戏领域语音数据

数据总时长为200小时，内容覆盖含FPS、MOBA、MMORPG、VR等多种游戏类型。标注文本内容、句时间戳、冒犯言论标注、说话人标识、性别、噪音标注。句准确率 95%。

西班牙语游戏领域语音数据

发音人来自西班牙、墨西哥等地。数据时长达200余小时。针对涉政、涉反、涉宗教种族、辱骂、黄暴等令人不适内容的被影响文字标注为冒犯性言论。

意大利语游戏领域语音数据

数据总时长达100多小时，内容覆盖堡垒之夜、英雄联盟等当地经典热门游戏。标注文本内容、句时间戳、冒犯性言论标注、说话人标识、性别、噪音。

法语游戏领域语音数据

数据总时长达200小时，由多名来自不同地域和文化背景的人员录制，准确性高，易用性强，为语音识别相关研究及应用提供了丰富的资源。

在客服领域，数据堂自有数据涵盖零售、房地产、保险、金融、医疗健康、能源、电信等应用场景，覆盖中文、英语、阿拉伯语、葡萄牙语等20+热门语种，内容反映客服场景的术语、口音和情感，可用于智能客服的语音识别技术研发。

数据堂自有版权的语音数据集涵盖医疗领域的自然对话，如医患问诊、医生间的交流等。包含多种疾病的临床表现、诊断结果、治疗方法等。语种多样，口音多样，符合现实世界的丰富场景，实用性强。

结语

数据堂致力于为客户构建更高质量、更高准确率的数据，以应对各种挑战，即刻访问官方网站获取数据样例。