CUCHILD

CUCHILD是由香港中文大学电子工程系和耳鼻喉头颈外科系合作开发的大型粤语儿童语音语料库。该数据集包含1986名3至6岁儿童的口语词汇，涵盖正常发育儿童和语音障碍儿童。数据集设计用于支持科学和临床研究，以及与儿童语音评估相关的技术开发。数据集包括130个1至4音节的粤语词汇，覆盖所有粤语音素，旨在解决儿童语音识别、语音错误检测和说话人分割等问题。

CUCHILD is a large-scale Cantonese children’s speech corpus co-developed by the Department of Electronic Engineering and the Department of Otorhinolaryngology, Head and Neck Surgery of The Chinese University of Hong Kong. This dataset encompasses spoken vocabulary from 1,986 children aged 3 to 6 years, including both typically developing children and those with speech disorders. It is designed to facilitate scientific and clinical research, as well as the development of technologies pertaining to children’s speech assessment. The corpus comprises 130 Cantonese vocabulary items with 1 to 4 syllables, covering all Cantonese phonemes, and is intended to address core tasks including children’s speech recognition, speech error detection, and speaker diarization.

搜集汇总

数据集介绍

构建方式

在儿童语音研究领域，构建高质量的数据集对于理解语音发展规律及开发相关技术至关重要。CUCHILD数据集的构建过程体现了严谨的科学设计，其采集对象为1986名3至6岁的粤语母语儿童，涵盖典型发展儿童与存在语音障碍的儿童群体。数据采集在幼儿园环境中进行，采用标准化工具香港粤语发音测试（HKCAT）及包含130个粤语词汇的图画刺激材料，确保覆盖所有粤语音素及音节结构。录音过程由经过培训的研究助理引导，通过互动游戏激发儿童表达，并使用专业设备在可控噪声条件下完成。后续数据经过语音治疗师监督下的转写与验证，并依据发音准确性进行分类标注，从而形成兼具语音学与临床价值的结构化语料库。

使用方法

CUCHILD数据集为儿童语音研究提供了多角度的应用途径。在语音技术领域，该数据集可用于训练针对儿童语音的自动语音识别系统，改善现有成人语音模型在儿童语音上的性能衰减问题；同时，其丰富的说话人信息支持说话人日志分析技术的开发，有助于从对话中分离儿童语音。在临床研究方面，数据集标注的发音误差可用于构建语音障碍自动检测模型，辅助早期筛查与干预。此外，研究者可利用其声学特征数据开展儿童语音发展的纵向研究，分析年龄、性别等因素对语音参数的影响，从而深化对儿童语音习得机制的理解。

背景与挑战

背景概述

在语音科学与临床研究领域，儿童语音数据的稀缺性长期制约着相关技术的发展与应用。香港中文大学电子工程学系与耳鼻咽喉头颈外科学系于2017年至2018年间合作构建了CUCHILD大规模粤语儿童语音语料库，旨在填补这一空白。该语料库收录了1986名3至6岁以粤语为母语的学前儿童的语音样本，涵盖130个单音节至四音节的词汇，并同时纳入了典型发育儿童与语音障碍儿童的发音数据。其核心研究问题聚焦于粤语儿童语音的声学特性分析、语音障碍的早期筛查与评估，以及儿童语音识别技术的优化。CUCHILD的建立为跨学科的语音通信研究、临床诊断工具开发及自动化语音处理系统提供了关键的数据支撑，显著推动了粤语儿童语音研究的实证基础与技术前沿。

当前挑战

CUCHILD数据集所针对的领域挑战主要在于儿童语音障碍的自动化检测与评估。儿童语音在声学特性上存在显著的个体发育差异与较高的错误率，这使得基于成人语音训练的模型难以直接适用，从而在自动语音识别、说话人日志生成等任务中面临性能下降的困境。在数据构建过程中，研究团队遭遇了多重挑战：儿童受试者注意力持续时间有限，增加了数据采集的难度与成本；环境噪音控制与录音质量保障在幼儿园等自然场景中尤为复杂；此外，涉及未成年人数据的隐私保护与伦理审查要求严格，需获得家长知情同意并确保数据匿名化处理，这些因素共同构成了数据集构建中的主要障碍。

常用场景

经典使用场景

在儿童语音研究领域，CUCHILD数据集为语音学家和临床研究者提供了珍贵的资源，尤其适用于分析粤语儿童语音发展过程中的音韵特征与发音错误模式。该数据集收录了近两千名3至6岁儿童的语音样本，涵盖典型发展儿童与语音障碍儿童的发音数据，使得研究者能够系统探究儿童语音的声学特性，如基频与共振峰随年龄变化的规律，从而揭示语音发展的动态轨迹。

解决学术问题

CUCHILD数据集有效解决了儿童语音识别与评估中的若干关键学术问题。传统语音识别系统基于成人语音训练，对儿童语音表现显著下降，该数据集通过提供大规模标注的儿童语音样本，支持开发适配儿童声学特征的自动语音识别模型。同时，数据集包含丰富的音韵错误标注，为语音障碍的自动检测算法提供了训练与验证基础，助力早期筛查与干预研究，填补了粤语儿童语音资源在临床语言学与计算语音学交叉领域的空白。

实际应用

在实际应用中，CUCHILD数据集为儿童语音障碍的临床评估与辅助诊断提供了数据支撑。基于该数据集开发的自动检测工具可协助言语治疗师快速识别儿童的发音异常，实现大规模筛查，提升早期干预效率。此外，数据集还可用于构建儿童语音识别系统，支持教育科技产品如智能语音助手在儿童用户中的适配，改善人机交互体验，并在语音分析平台中用于监测儿童语言发展进程。

数据集最近研究

最新研究方向

在儿童语音处理领域，CUCHILD数据集作为大规模粤语儿童语音资源，正推动前沿研究聚焦于语音障碍的智能筛查与干预技术。该数据集整合了典型发育儿童与语音障碍儿童的发音样本，为基于深度学习的语音错误自动检测模型提供了关键训练数据，助力早期诊断工具的研发。同时，其覆盖的广泛年龄层与语音变体支持儿童语音识别系统的优化，克服了成人语音模型在儿童应用中的性能局限。此外，数据集在说话人日志分析中的应用，促进了儿童社交互动行为的量化研究，为跨学科的言语发展科学与临床实践搭建了桥梁。

相关研究论文

• CUCHILD: A Large-Scale Cantonese Corpus of Child Speech for Phonology and Articulation Assessment

  香港中文大学 · 2020年