BrunoHays/Accueil_UBS

该数据集汇集了从Accueil_UBS数据集中提取的339段电话对话，旨在评估在真实情况下，特别是在呼叫中心和法语环境中的自动语音识别系统。数据集包括录音文件和对话的文字转录，所有对话均为法语。数据集还进行了修改，包括删除不符合条件的样本和文本的标准化处理。

原始信息汇总

数据集概述

基本信息

• 语言: 法语
• 数据集名称: Accueil UBS
• 大小: 小于1K
• 许可证: CC BY-SA 4.0

数据集内容

• 描述: 该数据集包含339个电话对话片段，旨在评估自动语音识别系统在实际呼叫中心环境中的表现，特别是法语环境。
• 来源: 数据来源于Université de Bretagne Sud的真实电话接待录音，包括呼叫者与接待人员之间的对话。
• 格式: 包括音频文件和对话的正字法转录。

数据处理

• 过滤: 移除了以下类型的样本：
  • 声音重叠
  • 少于3个单词
  • 包含拼写（主要是UBS）
  • 已匿名化（名称和名字被替换为“Nom”和“Prénom”）
• 文本标准化:
  • 原始文本保留在“raw_sentence”键下。
  • 在“sentence”键下进行了以下转换：
    • 删除非口语文本字符（如“e”, “#”, “[]”, “()”）
    • 使用Text2Num包将数字转换为数字形式（例如“dix-sept”→“17”）

引用信息

• 作者: Jean-Yves Antoine
• 年份: 2016
• 数据集版本: v1
• 链接: Accueil_UBS

搜集汇总

数据集介绍

构建方式

该数据集源自Accueil_UBS语料库，该语料库记录了法国南布列塔尼大学总机在真实场景下的人机对话，涵盖来电者与接待人员之间的交流。原始语料包含音频文件及正交转录文本，全部为法语。在此基础上，数据集的构建经历了严格的筛选与标准化流程：首先剔除了存在声音重叠、词汇量不足三词、包含拼读（如UBS）以及因匿名化处理而替换姓名的样本；随后对保留的文本进行清洗，移除非口语字符，并利用Text2Num工具将数字的字母书写形式（如dix-sept）转换为阿拉伯数字（17）。最终保留了339条电话对话片段，形成测试集。

特点

该数据集的核心特点在于其高度聚焦于真实世界的电话对话场景，专为评估法语自动语音识别系统在呼叫中心环境中的性能而设计。其规模虽小（不足1K样本），但通过剔除重叠语音和匿名化等干扰项，确保了音频与文本对齐的准确性。标准化后的文本（sentence字段）同时保留原始文本（raw_sentence），便于研究者对比处理前后差异。数据集采用CC BY-SA 4.0许可协议，支持学术共享与衍生应用，且配置简洁，仅含一个默认测试集，降低了使用复杂度。

使用方法

数据集以HuggingFace格式组织，配置名为default，包含一个测试集，数据文件包括metadata.csv和位于data/test/目录下的WAV音频文件。使用时可通过HuggingFace的datasets库直接加载：from datasets import load_dataset，指定数据集名称BrunoHays/Accueil_UBS。加载后，每条样本包含音频路径、原始文本（raw_sentence）和标准化文本（sentence），可用于评估ASR系统的词错误率或进行口语理解研究。建议在评估前将音频重采样至统一采样率，并利用sentence字段作为参考转录。

背景与挑战

背景概述

在自动语音识别（ASR）领域，真实场景下的对话语音识别一直是研究的热点与难点，尤其是面对嘈杂环境、非正式用语及多说话人交互等复杂因素。在此背景下，Accueil_UBS数据集应运而生，由Jean-Yves Antoine于2016年创建，源自法国南布列塔尼大学（Université de Bretagne Sud）实际电话总机接待场景的录音。该数据集包含339段法语电话对话片段，旨在为呼叫中心环境下的ASR系统评估提供标准化测试资源。其核心研究问题聚焦于提升ASR系统在真实、非受控对话中的鲁棒性，对推动法语语音识别技术从实验室走向工业应用具有重要影响力，尤其为处理口音、语速变化及背景噪声等挑战提供了宝贵基准。

当前挑战

Accueil_UBS数据集所面临的挑战首先体现在领域问题层面：真实电话对话中普遍存在的语音重叠、简短语句（如少于三词）、拼读专有名词（如“UBS”）、以及因匿名化导致的命名实体替换，这些因素严重干扰了ASR系统的准确建模。其次，构建过程中遭遇了数据筛选与标准化的双重困难：需手动剔除含重叠语音的样本，并制定规则去除非口语字符（如“#”、“[]”），同时利用Text2Num库将数字词汇统一转换为数字形式，以平衡自然语言与机器可读性。此外，原始语料中姓名替换为“Nom”“Prénom”等抽象标记，进一步增加了语义理解的复杂性，要求系统具备更强的上下文推理能力。

常用场景

经典使用场景

Accueil_UBS数据集精选自真实大学总机环境下的339段法语电话对话片段，专为评估自动语音识别系统在嘈杂、自然口语场景中的鲁棒性而设计。其经典使用场景聚焦于客服中心法语语音识别的基准测试，通过过滤掉重叠语音、短句及匿名化内容，确保数据纯净度，从而为研究者提供贴近实际部署条件的标准化评估平台。

解决学术问题

该数据集有效攻克了真实场景中语音识别系统面临的三大学术难题：重叠语音干扰下的声学模型退化、非规范口语（如拼写、填充词）对语言模型的影响，以及录音环境噪声导致的特征混淆。通过提供经过严格清洗和文本标准化（如数字转写）的语料，它推动了端到端语音识别在低资源法语对话领域的泛化能力研究，并为鲁棒性声学-语言联合建模提供了关键基准。

衍生相关工作

该数据集衍生了多项经典工作，包括基于跨语种迁移学习的法语电话语音识别模型（如Wav2Vec 2.0微调版本）、融合语码转换检测的端到端对话系统，以及针对重叠语音分离的时域音频分割算法。此外，研究者基于其文本标准化流程，提出了面向法语口语的数字归一化工具Text2Num，并衍生出多任务联合训练框架，显著提升了噪声环境下说话人日志与语音识别的协同性能。