AppTek Call-Center Dialogues
收藏资源简介：
AppTek Call-Center Dialogues是由AppTek.ai构建的英语语音识别评测数据集，包含14种口音的自发性角色扮演客服对话。该数据集总计128.6小时音频，涉及156名说话者和16个服务场景，数据通过专业转录和严格质量审核流程生成。其特点是覆盖全球主流英语口音，保留对话中的不流畅现象和领域专有词汇，旨在解决长时对话ASR系统在多样化口音和真实交互场景下的评测难题。
AppTek Call-Center Dialogues is an English speech recognition evaluation dataset constructed by AppTek.ai. It encompasses spontaneous role-playing customer service dialogues across 14 distinct English accents. The dataset comprises 128.6 hours of audio material, involving 156 speakers and 16 service scenarios, and is generated via professional transcription and rigorous quality audit workflows. It features coverage of mainstream global English accents, preservation of conversational disfluencies and domain-specific terminology, with the aim of addressing the evaluation challenges faced by long-form conversational ASR systems in scenarios with diverse accents and realistic interactive settings.
AppTek Call-Center Dialogues 数据集详情
数据集概述
AppTek Call-Center Dialogues 是一个面向英语自动语音识别（ASR）的长篇对话语音基准数据集，涵盖多种英语口音和服务领域，专为评估模型在真实呼叫中心场景下的表现而设计。
- 总时长: 128.6 小时
- 口音组: 14 个
- 服务领域: 16 个
- 对话时长: 5–15 分钟（长篇形式）
- 音频格式: 分声道音频（每文件一个说话人）
数据集用途
直接用途
- ASR 基准测试
- 长篇转录评估
- 口音鲁棒性分析
- 对话式 AI 评估
- 对分割敏感的 ASR 评估
非预期用途
- 不用于训练或微调 ASR 或基础模型
- 不适用于需要真实客户数据的应用
数据集结构
数据组织
数据集按口音组组织：
<accent>/ audio/ test.jsonl
每个对话包含两个单声道音频文件（每个说话人一个）。
数据特征
| 指标 | 数值 |
|---|---|
| 总时长 | 128.6 小时 |
| 说话人数 | 156 |
| 口音组数 | 14 |
| 领域数 | 16 |
| 对话数 | 873 |
| 音频文件（声道） | 1,746 |
| 平均对话长度 | 10.4 分钟 |
| 对话长度范围 | 5–15 分钟 |
| 每种口音时长 | ~8–11 小时 |
数据字段
- audio: 音频文件名
- text: 逐字转录文本
- domain: 服务场景
- gender: 说话人性别
- accent: 口音元数据
数据实例
json { "audio": "en_ZA_Agriculture_1582346_channel1.wav", "text": "Good morning, thank you for calling...", "domain": "agriculture", "gender": "female", "accent": "native" }
数据划分
| 划分 | 大小 |
|---|---|
| test | 128.6 小时（1,746 个文件） |
口音编码
| 编码 | 口音 |
|---|---|
| en-AU | 澳大利亚英语 |
| en-CA | 加拿大英语 |
| en-CN | 中式英语 |
| en-GB | 英式英语 |
| en-GB_SCT | 苏格兰英语 |
| en-GB_WLS | 威尔士英语 |
| en-IE | 爱尔兰英语 |
| en-IN | 印度英语 |
| en-MX | 墨西哥英语 |
| en-SG | 新加坡英语 |
| en-US_Aave | 非裔美国英语 |
| en-US_General | 标准美式英语 |
| en-US_Southern | 美国南部英语 |
| en-ZA | 南非英语 |
创建与标注
数据来源
- 角色扮演的客服与客户对话
- 通过 VoIP 平台录制
- 时长：每会话 5–15 分钟（平均 10.4 分钟）
- 设备：笔记本电脑（53%）、手机（42%）、平板（5%）
- 环境：家中（78%）、室内公共场所（19%）、户外（3%）
说话人信息
- 最小年龄: 18 岁
- 说话人数: 156
- 性别分布: 女性 102 人，男性 54 人
- 年龄分布: 18–30 岁 76 人，30–50 岁 56 人，50–70 岁 24 人
标注过程
- 完全手动转录（无预生成 ASR 输出）
- 多阶段质量保证流程
- 自动一致性检查：约 10% 的片段被标记复审，其中约 40% 被修正
- 标注人员: 85 名专业标注员，母语或高度熟悉目标口音
评估方法
评估指标
使用 词错误率（WER），通过 jiwer 计算。
评分协议
标准化归一化流程：
- 预处理：去除特定犹豫标记和部分单词
- 归一化：Whisper EnglishTextNormalizer
- 后处理：数据集特定单词映射（数字、时间、词汇变体）
- 最终处理：小写化、去除标点、空白归一化、分词
推荐分割方法
- 推荐工具: Silero VAD
- 最小静默时长: 10.0 秒
- 最小语音时长: 0.25 秒
- 最大语音时长: 30 秒
- 平均片段长度: ~16.5 秒
示例基准结果
| 模型 | WER (%) |
|---|---|
| Qwen3-ASR (1.7B) | 8.3 |
| Parakeet v3 (0.6B) | 9.2 |
| Canary-Qwen (2.5B) | 9.2 |
| Granite Speech (8B) | 11.9 |
| Whisper Large v3 | 15.0 |
偏见、风险与局限
- 角色扮演的交互（非真实客户通话）
- 领域覆盖有限（仅服务场景）
- 口音标签为粗粒度离散分类
- 不同口音组间人口统计不平衡
- 某些口音由有限说话人样本代表
引用
BibTeX:
@misc{beck2026apptekcallcenterdialoguesmultiaccent, title={AppTek Call-Center Dialogues: A Multi-Accent Long-Form Benchmark for English ASR}, author={Eugen Beck and Sarah Beranek and Uma Moothiringote and Daniel Mann and Wilfried Michel and Katie Nguyen and Taylor Tragemann}, year={2026}, eprint={2604.27543}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2604.27543}, }
APA: Beck, E., Beranek, S., Moothiringote, U., Mann, D., Michel, D., Nguyen, K., & Tragemann, T. (2026). AppTek Call-Center Dialogues: A Multi-Accent Long-Form Benchmark for English ASR. https://arxiv.org/abs/2604.27543
许可证
- 许可协议: CC BY-SA 4.0
- 策划方: AppTek.ai
- 资助方: AppTek.ai
- 发布方: AppTek.ai
