DataoceanAI/Chinese_Speech_Corpus_Incabin

该数据集是一个中文车载语音语料库，包含了多种场景下的语音数据，如车辆控制、音乐、通用对话、地图和休闲对话等，适用于汽车领域。数据集中包含了602位发音人的语音数据，总时长为388.7小时。发音人性别比例为男性49%，女性51%，年龄覆盖15至60岁，其中约10%的发音人年龄超过45岁。发音人的口音均匀分布在中国的七大主要口音区域。

This dataset is a Chinese in-vehicle speech corpus, including various types of corpora such as vehicle control, music, general conversation, map navigation, and casual conversation scenarios. It involves 602 speakers with balanced gender distribution, a wide age range, and covers the seven major dialect regions in China. The total duration of the dataset is 388.7 hours, suitable for research and applications in the automotive field.

原始信息汇总

数据集概述

数据集名称

• Chinese_Speech_Corpus_Incabin

数据集描述

• 产品类型: 中文，阅读，桌面采集（16K）
• 产品特点: 车内采集，多种语料类型（车辆控制、音乐、通用、地图、日常对话场景），超过100种录音场景。适用于汽车领域。
• 发音人信息:
  • 性别: 男性49%，女性51%
  • 年龄: 发音人覆盖15-60岁年龄段，约10%超过45岁
  • 口音: 均匀分布

创建者

• Dataocean AI

关键词

• 🇺🇸 Region: US

数据集链接

• Chinese_Speech_Corpus_Incabin

搜集汇总

数据集介绍

构建方式

该数据集由DataoceanAI构建，专注于中文车载语音场景的采集与标注。数据收集于真实车内环境，涵盖车辆控制、音乐播放、地图导航、日常对话及通用指令等超过100种录音场景，旨在模拟驾驶过程中的多样化语音交互需求。录音人员共602人，性别比例均衡（男性49%，女性51%），年龄覆盖15至60岁，其中约10%为45岁以上人群，口音分布均匀，涵盖中国七大主要方言区域，确保数据的地域代表性与语音多样性。总计388.7小时的语音数据以16kHz采样率录制，形成高质量的桌面级中文语音语料库。

特点

该数据集的核心特点在于其高度专业化的车载应用导向。数据采集于车内封闭环境，有效捕捉了噪声、回声及远场语音等真实驾驶条件下的声学特征，使其在汽车语音助手、导航控制及娱乐系统等场景中具有极强适用性。超过100种场景的精细划分，覆盖了从短指令到长对话的多种语音模式，有助于模型学习上下文相关的语义理解。口音与年龄的均衡分布进一步提升了数据集的鲁棒性，减少了模型对特定人群的偏倚，为开发通用型车载语音系统奠定了坚实基础。

使用方法

该数据集主要用于训练和评估中文车载语音识别模型。使用时，可将388.7小时的语音数据按场景或说话人特征进行划分，构建训练集、验证集和测试集。推荐采用端到端语音识别框架（如Conformer或Whisper），并结合数据增强技术（如噪声叠加或速度扰动）以提升模型在车内环境下的泛化能力。此外，数据集的多场景标签支持细粒度任务定制，例如针对车辆控制指令的唤醒词检测或地图导航的语义解析。用户需遵循DataoceanAI的许可协议，确保数据仅用于学术研究或商业开发中的合规用途。

背景与挑战

背景概述

随着智能座舱与车载语音交互系统的迅猛发展，高质量的中文车内语音数据集成为推动相关技术落地的关键基石。DataoceanAI/Chinese_Speech_Corpus_Incabin数据集由DataoceanAI团队创建，收录了388.7小时、涵盖602位发音人的中文语音数据，旨在解决真实驾驶场景中语音识别的适配性问题。该数据集采集于车内环境，覆盖车辆控制、音乐、地图、日常对话等多类语料及超过百种录音场景，发音人性别比例均衡（男49%、女51%），年龄横跨15至60岁，并均匀分布中国七大口音区域。其发布为车载语音助手、智能导航及安全控制系统的研发提供了高保真、多场景的基准资源，显著推动了中文语音识别在汽车领域的实用化进程。

当前挑战

该数据集所应对的核心挑战在于，真实车载环境中语音信号受发动机噪音、风噪、路噪及空调等背景干扰严重，与传统安静录制的语音数据存在显著分布偏移，导致模型泛化能力不足。构建过程中，团队需克服多场景录音的同步控制难题，确保百种场景下音频质量的一致性，并平衡发音人年龄、性别与口音的代表性，以避免数据偏见。此外，车内空间狭小带来的混响效应、远场拾音的信噪比波动，以及自然对话中语速变化与打断现象，均为标注精确性和模型鲁棒性提出了更高要求。

常用场景

经典使用场景

该数据集专为车载环境下的中文语音识别任务而设计，其核心应用场景聚焦于智能座舱中的多模态人机交互。数据采集覆盖了车辆控制指令、音乐播放、导航查询、日常闲聊等百余种真实驾驶场景，并兼顾了七大主要方言口音的均衡分布，使其成为训练鲁棒性车载语音系统的理想基准。研究者常利用该数据集评估端到端语音识别模型在噪声、回声及远场拾音条件下的表现，尤其关注低信噪比场景下的词错误率。

实际应用

实际应用中，该数据集直接赋能智能汽车语音助手的落地优化。OEM厂商基于其训练出的语音模型可精准识别“打开车窗”、“导航到最近加油站”等高频指令，并支持方言混杂场景下的语义理解。此外，数据集中的闲聊场景数据助力车载系统从单一命令式交互升级为自然对话式交互，显著提升了驾驶安全性与用户体验，目前已被多家国内主机厂用于前装语音模块的迭代验证。

衍生相关工作

基于该数据集衍生出的经典工作包括多通道语音增强与联合解码框架的提出。例如，有研究利用其多场景录音特性构建了动态噪声抑制的前端模块，将词错误率降低18%；另有工作结合注意力机制与领域对抗训练，在七大方言口音上实现了等错率。此外，该数据集被广泛用于对比不同声学模型架构（如Conformer、Whisper）在车载场景下的迁移效果，相关论文常发表于ICASSP、Interspeech等顶级会议。