永康方言大模型语料分析数据

本次登记的永康方言语料数据及相关智力成果，应用场景为面向永康市域的政务民生方言智能交互服务。适用条件为在合法合规、数据脱敏、知情同意前提下，使用永康方言语音、文本、词汇、句式及语义标注数据，通过方言语义理解、方言识别、方言转写、方言意图匹配等算法规则，面向基层政务部门、公共服务机构、本地中老年市民等对象，解决通用人工智能系统无法准确识别永康方言、语义理解偏差、方言与普通话转换不通顺、老年群体使用智能服务存在语言障碍、政务咨询与诉求表达不便捷等实际问题。数据与算法仅限用于政务咨询、办事引导、政策告知、民意收集、便民查询等正规公共服务交互，严禁用于语音伪造、电信诈骗、舆情操纵、商业广告滥用、未经授权的数据泄露与二次分发等违法违规及非政务民生类场景。一、原始数据说明 本次登记的数据为人工从永康市社会面多场景采集并标注的永康方言语料，涵盖日常对话、政务服务、民生交流、本地文化宣传等多类真实应用场景，来源均为永康方言母语者的真实语音及对应文本转写。数据采集过程严格遵循知情同意原则，仅用于方言语音识别模型的训练与优化，不涉及任何商业用途。二、数据处理规则 （1）音频规整：采用FFmpeg工具对原始音频进行格式转换，统一输出为44.1kHz双声道WAV格式，完整保留方言原始语音特征；（2）语料标注：遵循听写一致性原则，标注人员严格依照实际发音进行转写，保留方言语序倒置、合音、变调、文白异读等原始语音现象，对有效方言时长占比低于90%的片段予以剔除；（3）数据安全：涉及个人信息的语料已进行匿名化处理。三、数据内容描述 经上述规则加工后，形成永康方言语料数据集。数据字段包含音频编号、文件名称、声道数、采样率(Hz)、位深(bit)、码率(kbps)、时长(秒)、文件大小(MB)、总采样数、文件来源、采集时间、文件格式、文本内容。

搜集汇总

背景与挑战

背景概述

该数据集为永康方言语料数据，包含真实场景下的语音及文本转写，涵盖日常对话、政务服务等，经FFmpeg格式统一、听写一致性标注及匿名化处理后形成。数据应用于面向永康市域的政务民生方言智能交互服务，旨在提升方言识别与转写准确率，解决老年群体智能服务语言障碍等问题，并严格限定于政务咨询、办事引导等公共服务场景。