amorin-gladia/Accueil_UBS_long_form

该数据集名为Accueil UBS long form，收集了40个来自[Accueil_UBS](https://www.ortolang.fr/market/corpora/sldr000890/v1)数据集的电话对话，旨在促进在真实场景（特别是呼叫中心）中法语自动语音识别系统的评估。数据集包含录音文件和对话的文本转录，所有对话均为法语。数据集结构包括文件路径、唯一标识符、对话轮次的JSON格式列表和完整文本转录。对话轮次以JSON格式表示，包含开始时间、结束时间、说话者ID、说话者类型和文本转录。数据集由南布列塔尼大学在真实条件下录制，涵盖来电者和接待人员之间的对话。

This dataset, named Accueil UBS long form, gathers 40 telephone conversations extracted from the [Accueil_UBS](https://www.ortolang.fr/market/corpora/sldr000890/v1) dataset. The objective is to facilitate the evaluation of automatic speech recognition systems in real-world situations, specifically in call centers and in French. The dataset includes recorded audio files and orthographic transcriptions of the dialogues, all in French. The structure of the dataset includes file paths, unique identifiers, a JSON-formatted list of utterances, and complete text transcriptions. Each utterance is represented in JSON format, including start time, end time, speaker ID, speaker type, and text transcription. The corpus was recorded in real conditions at the University of South Brittany and includes dialogues between callers and reception staff.

搜集汇总

数据集介绍

构建方式

amorin-gladia/Accueil_UBS_long_form 数据集源自法语电话对话语料库 Accueil_UBS，该语料库由 Université de Bretagne Sud 在真实校园总机接待场景中录制，涵盖呼叫者与接待人员之间的自然对话。构建过程中，从原始语料中精选出 40 段电话对话，每段对话均保留完整的音频文件及其正交转录文本。数据以结构化格式组织，包含音频路径、唯一标识符、按说话轮次划分的 JSON 格式话语列表以及拼接后的完整转录文本。每个话语轮次详细记录了起始时间、结束时间、说话者身份、角色类型（如接待员或客户）及对应的转录片段，并支持重叠语音的多说话者标注，从而为长语音识别评估提供精细化的时序与角色信息。

特点

该数据集的核心特点在于聚焦真实世界电话中心场景下的法语长语音识别评估。其 40 段对话规模虽小（n<1K），但每段均包含完整对话流程，涵盖自然口语中的重叠语音、角色切换与语速变化等复杂现象。话语轮次采用标准化 JSON 结构，支持多说话者并行标注，能够精确捕捉对话中的时间对齐与说话人身份。此外，数据集基于 CC-BY-SA-4.0 许可发布，确保了开放性与可复现性，为研究者在有限资源下测试和对比语音识别系统在嘈杂、非理想录音环境中的鲁棒性提供了高质量基准。

使用方法

使用本数据集时，可通过 Hugging Face Datasets 库加载默认配置，自动获取 metadata.csv 及 data/test/ 目录下的 WAV 音频文件。加载后，每条样本包含 'file_name'、'id'、'utterances' 和 'text' 四个字段，其中 'utterances' 为 JSON 列表，每个元素对应一个说话轮次，可直接解析用于时序对齐的语音识别评估。对于重叠语音场景，需注意处理同一轮次内多个说话者的文本合并或分离。建议将 'text' 字段作为转录基准，结合 'utterances' 中的时间戳进行逐段或整体识别性能分析，适用于法语电话对话的端到端或混合语音识别系统测试。

背景与挑战

背景概述

在自然语言处理与语音技术领域，面向真实场景的自动语音识别（ASR）系统评估始终是推动技术落地的重要环节。amorin-gladia/Accueil_UBS_long_form数据集由研究团队于2023年前后构建，源自法国南布列塔尼大学（Université de Bretagne Sud）于2016年发布的Accueil_UBS语料库，研究者Jean-Yves Antoine为该原始语料库的创建者。该数据集聚焦于法语电话客服场景，精心筛选出40段真实通话录音，旨在为长语音识别系统提供贴近实际应用的评测基准。其核心研究问题在于弥合实验室环境与真实电话交互之间的鸿沟，尤其关注话者重叠、口语化表达及噪声干扰等复杂声学现象。作为法语语音社区中少有的公开长格式对话数据集，它有效补充了以短句或朗读语音为主的传统评测资源，对推动多语言ASR系统的鲁棒性研究具有重要参考价值。

当前挑战

该数据集所解决的领域挑战主要源于电话客服场景中语音交互的固有复杂性。首先，真实对话中存在频繁的话者重叠与打断，这要求ASR系统具备精确的说话人日志与分离能力，而非仅处理单一说话人的纯净语音。其次，口语化表达、省略句及非正式词汇的大量出现，对语言模型的泛化能力构成严峻考验。在数据集构建过程中，挑战同样显著：原始Accueil_UBS语料库包含众多长对话，从中筛选并标注出40段代表性样本需耗费大量人工精力，且需确保转录文本与音频的时间戳精确对齐。此外，话者类型的标注（如区分“接待员”与“客户”）面临主观歧义性，而处理重叠语音的时间边界划分更是技术难点。这些挑战使得该数据集成为检验ASR系统在复杂交互场景中性能的严苛试金石。

常用场景

经典使用场景

Accueil_UBS_long_form数据集的经典使用场景在于评估和提升法语自动语音识别系统在真实电话客服环境中的鲁棒性。该数据集精心挑选了40段来自大学总机的人机对话录音，涵盖了自然口语中常见的语速变化、口音差异、背景噪声以及多说话人重叠等复杂声学现象。研究者通常将其作为远场语音识别和对话语音处理的基准测试集，尤其关注长时音频的端到端转录质量，从而推动法语语音交互技术在非理想条件下的性能突破。

实际应用

在实际应用中，该数据集直接服务于法语国家企业客服中心的智能化升级。通过训练和测试基于该数据的语音识别模型，企业能够自动将电话录音转化为结构化文本，用于客户意图分析、服务质量监控及高频问题挖掘。此外，其对话重叠标注还可辅助开发智能坐席辅助系统，实时识别客户与客服的交互模式，从而优化应答策略并缩短通话时长，显著提升用户体验与运营效率。

衍生相关工作

该数据集衍生了一系列经典工作，最具代表性的是基于Accueil_UBS全量语料库开展的法语电话语音识别基线研究，后续工作常以此为标准对比不同声学模型（如TDNN、Conformer）和端到端框架（如Whisper、Wav2Vec 2.0）在客服场景下的表现。此外，有学者利用其重叠话轮数据开发了说话人日志与分离联合模型，推动了多说话人场景的语音理解研究。这些工作不仅丰富了法语语音资源库，也为跨语种客服系统的迁移学习提供了重要参照。