Mikimi/phoible-voxangeles-formants-audio-2

该数据集是一个多语言音素声学特征数据库，包含来自多个语言的音素实现数据，用于语音学和音系学研究。数据集提供了详细的音素标注，包括国际音标（IPA）表示、音素基础形式、以及PHOIBLE数据库中的音素IPA对应。每个音素条目关联语言信息（如语言代码、语言名称、语言家族、ISO 639-3代码、地理位置和宏观区域）和声学特征，如基频（F0）及其分位数、共振峰（F1-F4）及其分位数、共振峰距离（赫兹和巴克尺度）。此外，数据集还包括音系特征标注，基于特征几何理论（如辅音性、鼻音性、圆唇性等），用于描述音素的语音属性。数据来源于多个语料库和录音，涵盖音素在单词中的上下文信息（如前/后音素、单词边界、时间戳）。数据集可用于音变分析、语音合成、语言比较研究等任务。This dataset is a multilingual phoneme acoustic feature database containing phoneme realization data from multiple languages, intended for phonetics and phonology research. The dataset provides detailed phoneme annotations, including International Phonetic Alphabet (IPA) representations, basic forms of phonemes, and IPA correspondences of phonemes from the PHOIBLE database. Each phoneme entry is associated with language information such as language code, language name, language family, ISO 639-3 code, geographic location, and macro-area, as well as acoustic features including fundamental frequency (F0) and its quantiles, formants (F1-F4) and their quantiles, and formant distances measured in Hertz and Bark scale. In addition, the dataset includes phonological feature annotations based on feature geometry theory (e.g., consonantality, nasality, roundness, etc.) to describe the phonetic attributes of phonemes. The data is sourced from multiple corpora and audio recordings, covering contextual information of phonemes within words such as preceding and following phonemes, word boundaries, and timestamps. This dataset can be applied to tasks including sound change analysis, speech synthesis, and cross-linguistic comparative research.

搜集汇总

数据集介绍

构建方式

在语音学与跨语言音系研究的交汇处，phoible-voxangeles-formants-audio-2数据集应运而生。该数据集通过整合PHOIBLE音系数据库与VoxAngeles声学语料库构建而成，每条记录对应一个语音实现（realization_id），并标注了对应的国际音标符号（phoneme_ipa）及其基底形式（phoneme_base）。数据来源涵盖多个语料库与录音，通过匹配PHOIBLE中的音位清单（matched_in_phoible）来确保声学数据与音系描述的对齐。每个语音片段均经过精确的分段处理，记录了起止时间（segment_start, segment_end）及其所属词汇范围（word_start, word_end），从而构建出结构层次清晰的声学-音系对应数据库。

特点

该数据集的核心特点在于其多维度的精细标注体系。除了基础的元音共振峰（F0至F3）及其分位数值（如F1_q1至F4）外，还创新性地引入了共振峰距离指标（formant_distance_hz与formant_distance_bark）和发音努力代理变量（effort_proxy），为语音产出机制研究提供了量化工具。数据集广泛覆盖了语言类型学特征，包括声调（feat_tone）、送气（feat_spreadGlottis）、卷舌（feat_retractedTongueRoot）等数十项区别性特征的二元标注，同时配备了地理（macroarea, latitude, longitude）与谱系（language_family, glottocode）元数据，使其成为跨语言语音对比研究的理想资源。

使用方法

该数据集以HuggingFace Datasets格式发布，用户可通过加载'default'配置直接获取包含6739条训练样本的完整集合。每条样本的字段从语音学基础参数至音系特征标签一应俱全，便于开展声学分析与分类任务。研究者可基于phoneme_ipa或segment_class字段进行音素级别的特征提取与建模，或利用语言编码（language_code）进行跨语种比较。通过过滤matched_in_phoible字段，可筛选出与PHOIBLE数据库严格匹配的高质量子集。对于时序分析需求，F0_dec_1至F0_dec_10等连续变量为基频动态变化研究提供了现成的特征序列。

背景与挑战

背景概述

言语科学与计算语言学的发展长期受限于大规模、跨语言、对齐音韵与声学特征的数据资源匮乏。phoible-voxangeles-formants-audio-2数据集应运而生，由跨学科团队整合PHOIBLE音段清单与VoxAngeles语音录制语料，于近年构建完成。其核心研究问题在于系统性地为全球语言提供音段与共振峰参数的配对标注，涵盖F1至F3及其四分位值、基频动态等声学特征，并关联音韵特征体系。该数据集将抽象音位落实到具体的声学实现，为语音学、音系学理论验证及多语言语音合成与识别研究奠定了数据基础，推动了语言类型学与语音工程的交叉融合。

当前挑战

该数据集面临的挑战首先在于领域问题的复杂性与数据稀缺性：大多数语言的声学-音韵映射尚未建立，尤其是濒危语言和小语种的录音资料匮乏，导致数据集覆盖的语言家族和语种分布存在不均衡。其次，构建过程中须解决多源语料的时间对齐与标注一致性问题——不同录音环境下的信噪比、说话人差异以及共振峰提取参数的非标准性，均会引入测量误差。此外，音段边界的人工切分与自动对齐方法之间的偏差、音韵特征编码的跨体系兼容性，也构成持续的技术难题，需要在数据清洗与特征工程中精细权衡。

常用场景

经典使用场景

在语音学与计算语言学领域，phoible-voxangeles-formants-audio-2数据集凭借其丰富的跨语言音段特征和声学参数，成为研究音系学普遍性与语音产出变异性的重要资源。该数据集整合了来自全球多种语言的音素实现，并标注了基频（F0）、共振峰（F1-F3）等关键声学指标，为探索不同语言背景下音段的声学实现模式提供了标准化的数据基础。研究者常利用其进行跨语言音系对比分析，例如考察特定音位在不同语言环境中的共振峰分布差异，或基于声学距离度量探究语音相似性与语言类型学之间的关系。

解决学术问题

该数据集旨在解决语音学研究中长期存在的跨语言声学数据匮乏与标注不一致的困境。通过系统性地整合多个语料库（如Phoible、VoxAngeles）的录音与声学测量结果，它为验证音系学理论假说（如特征层级结构、标记性理论）提供了实证支撑。例如，研究者可利用其中的声学特征与音位标注，量化考察元音空间在不同语言中的分布规律，或检验发音努力代理变量的有效性。此外，数据集中包含的声学四分位数与动态声学参数（如F0下降曲线），有助于揭示语调、重音等超音段特征的语言特异性模式，从而深化对语音产出机制的理解。

衍生相关工作

基于该数据集，已衍生出一系列富有影响力的研究工作。其中，跨语言元音空间建模的经典工作利用数据集的共振峰数据，系统比较了不同语言元音系统的声学拓扑结构，为语言类型学中的“元音空间假说”提供了量化证据。另一类重要工作聚焦于发音努力与语言学距离之间的关联，通过数据集中定义的“effort_proxy”等声学指标，建立了音位产出难度与音系结构之间的定量模型。此外，数据集的声学四分位数特征也被用于构建语种识别系统，其核心思想是通过统计声学分布差异实现语言自动分类，相关成果发表于计算语言学顶级会议。