厨房语音交互模型测试应用数据

该数据集可应用于厨房产品的精细化语音交互模型研发、测试与优化。适用对象为具备语音控制功能的厨房产品开发企业、测试机构及算法团队。应用范围覆盖语音交互全链路，包括：构建面向厨房环境的语音交互测试集、评估ASR（语音识别）在真实噪声下的准确率、验证NLU（自然语言理解）模块的意图识别与槽位解析效果、评价NLG（自然语言生成）模块的回复质量、支撑自动化测试与模型迭代验证，以及提升整体交互成功率。 通过使用该数据集，可有效解决厨房高噪声环境下语音指令识别准确率低、用户口音及表述多样化导致的意图理解偏差、回复内容不自然或冗余造成的交互失败、以及模型迭代过程中缺乏标准化测试样本导致的验证效率低下问题。典型应用示例：基于不同厨房噪声强度、不同地域口音的语音指令数据，优化ASR模型的前端降噪算法与声学模型，使厨房产品在开启状态下仍能准确识别多种指令。1.数据采集： 在模拟厨房实验环境中，采集厨电产品的语音交互测试中多个不同用户发出的语音指令，覆盖语音模块各项技能，包括开关、风量调节、灯光控制等场景。语音指令经ASR模型转换为文本；NLU模型对文本进行技能分拣、意图识别、槽位提取；NLG模型生成回复文本。测试记录音频文件，并同步记录语音交互系统的输出日志，包括ASR结果、NLU结果。 2.数据标注、处理规则： 多组实验员及标注员对每条交互数据进行标注处理，判断每条指令是否通过测试，处理标准： （1）asr_correct：判断ASR文本是否与用户实际发音完全一致。 （2）skill_correct：判断模型分拣的技能是否与预期一致。 （3）intent_correct：判断模型识别的意图（如“参数调节“、”设备控制“、”信息查询“）是否与指令真实意图一致。例如“关闭油烟机”应为“设备控制”，“最小风量”应为“参数调节”。 （4）nlg_correct：判断NLG回复是否与预期回复匹配，预期回复由业务规则定义（如成功执行时回复“好的，已为您xxx”；执行失败时回复“抱歉，执行失败”）。 （5）interaction_success：判断设备是否执行指令内容的对应控制操作，通过现场观察记录。 3.数据分析及应用： （1）test_pass：判断指令是否无异常通过，当且仅当asr_correct、skill_correct、intent_correct、nlg_correct、interaction_success五个维度的判断结果均为“是”时，test_pass的结果判定为“是”，否则为“否”。 （2）pass_rate为计算指令通过率， pass_rate= test_pass判定结果为“是”的数据条数/总数据条数 × 100%。pass_rate≥95%，则该数据集质量高，可用于模型训练；pass_rate<95%，则该数据集质量不高，不建议用于模型训练。

搜集汇总

背景与挑战

背景概述

该数据集包含8032条在模拟厨房环境中采集的语音交互测试数据，覆盖油烟机等厨电产品的开关、风量调节等场景。数据从ASR识别、NLU意图解析到NLG回复生成进行全链路标注与评估，并通过五个维度（asr_correct、skill_correct、intent_correct、nlg_correct、interaction_success）综合判定交互是否成功。其通过率达98.2%，适用于高噪声环境下厨房产品语音交互模型的研发、测试与优化。