DOTA-ME-CS

DOTA-ME-CS是由伦敦帝国理工学院、圣安德鲁斯大学、华北电力大学和慕尼黑工业大学合作创建的日常对话文本音频数据集，专注于普通话和英语之间的代码切换。该数据集包含9300条音频记录，总时长为18.54小时，涵盖了34名参与者的日常对话场景。数据集通过人工智能技术（如音色合成、速度变化和噪声添加）增强了多样性和复杂性，旨在为双语语音识别研究提供高质量的资源。数据集的应用领域主要集中在自动语音识别（ASR）系统，特别是解决代码切换带来的挑战，如语言切换点的检测和多语言环境下的语音识别问题。

DOTA-ME-CS is a daily conversational text-audio dataset co-created by Imperial College London, University of St Andrews, North China Electric Power University and Technical University of Munich, focusing on code-switching between Mandarin and English. This dataset contains 9300 audio recordings with a total duration of 18.54 hours, covering daily conversation scenarios involving 34 participants. The diversity and complexity of the dataset are enhanced through artificial intelligence technologies such as timbre synthesis, speed variation and noise addition, aiming to provide high-quality resources for bilingual speech recognition research. Its application domains mainly focus on automatic speech recognition (ASR) systems, particularly addressing challenges brought by code-switching, such as language switch point detection and speech recognition issues in multilingual environments.

搜集汇总

数据集介绍

构建方式

DOTA-ME-CS数据集的构建旨在解决自动语音识别(ASR)系统在处理代码切换方面的挑战。数据集由18.54小时的音频数据组成，包括来自34位参与者的9,300个录音。为了增强数据集的多样性，研究人员采用了人工智能(AI)技术，如AI音色合成、速度变化和噪声添加，从而增加了任务的复杂性和可扩展性。数据集经过精心策划，以确保多样性和质量，为研究人员提供了应对双语语音识别复杂性的强大资源。

特点

DOTA-ME-CS数据集的特点在于其多样性和现实性。数据集包含了10个不同的日常对话场景类别，并标注了每个句子中的主导语言。此外，研究人员还使用AI技术对数据集进行了修改，包括添加背景噪声、改变语音速度和使用AI生成的音色，以模拟现实世界的交流环境。这些特点使得DOTA-ME-CS数据集成为一个全面且具有挑战性的资源，有助于推动代码切换ASR研究的发展。

使用方法

使用DOTA-ME-CS数据集时，研究人员可以对其进行基准评估，以建立基线性能指标，为未来的研究提供参考。数据集的详细分析可以帮助研究人员了解其语言特征和分布，从而指导ASR模型的设计和优化。此外，数据集还提供了10个不同的日常对话场景类别，可以为研究人员提供丰富的实验数据，帮助他们开发更准确和鲁棒的代码切换ASR系统。

背景与挑战

背景概述

随着多语言社区中语言切换现象的日益普遍，自动语音识别（ASR）系统面临着新的挑战。DOTA-ME-CS数据集由Yupei Li等研究人员于2025年创建，旨在解决现有模型和语料库在处理语言切换时的局限性。该数据集包括来自34名参与者的9300个录音，总计18.54小时的音频数据，旨在为双语语音识别研究提供高质量的语料库。DOTA-ME-CS数据集的创建对于推动语言切换ASR研究具有重要意义，并为相关领域提供了宝贵的资源。

当前挑战

DOTA-ME-CS数据集面临的主要挑战包括：1) 语言切换识别的复杂性，特别是在识别切换点方面；2) 现有模型在处理实际场景中的语言切换时的局限性，例如在存在背景噪声或不同说话速度的情况下。此外，构建数据集本身也面临挑战，例如确保数据的质量和多样性，以及创建反映日常对话场景的脚本。为了提高数据集的实用性，研究人员采用了人工智能技术，如音色合成、速度变化和噪声添加，以增加数据集的复杂性和可扩展性。

常用场景

经典使用场景

在语音识别领域，DOTA-ME-CS数据集常被用于评估和训练自动语音识别（ASR）系统在处理日常交流中中英混合语言切换的能力。该数据集提供了丰富的语言切换实例，涵盖了从教育到娱乐，从环境保护到旅行等十个日常生活场景，为研究人员提供了理解和建模语言切换现象的宝贵资源。

衍生相关工作

DOTA-ME-CS数据集的发布促进了中英混合语言切换语音识别领域的研究进展。基于此数据集，研究者可以训练和评估更先进的模型，探索更有效的语言切换点检测方法，以及改进语言模型以更好地处理混合语言输入，从而推动该领域的持续发展。

数据集最近研究

最新研究方向

在多语言环境下，代码转换现象对自动语音识别（ASR）系统提出了重大挑战。现有的模型和数据集在有效处理这些挑战方面存在局限性。为了解决这一差距并推动代码转换ASR研究的进展，我们引入了DOTA-ME-CS：面向日常文本音频-普通话-英语-代码转换数据集，该数据集包括18.54小时的音频数据，包括来自34名参与者的9,300个录音。为了增强数据集的多样性，我们应用了人工智能（AI）技术，如AI音色合成、速度变化和噪声添加，从而增加了任务的复杂性和可扩展性。该数据集经过精心策划，以确保多样性和质量，为研究人员提供了一个强大的资源，以解决双语语音识别的复杂性。我们还进一步展示了数据集在未来研究中的潜力。DOTA-ME-CS数据集及其配套代码将公开发布。

相关研究论文

• DOTA-ME-CS: Daily Oriented Text Audio-Mandarin English-Code Switching Dataset

  伦敦帝国理工学院, 圣安德鲁斯大学, 华北电力大学, 慕尼黑工业大学 · 2025年