数据集介绍

在现代社会中，语音识别技术逐渐融入人们的日常生活，但多数语音识别系统针对的是高资源语言，而低资源语言的识别在行业中依然面临巨大挑战。目前的解决方案主要依赖于相似语言的迁移学习，但效果不尽如人意，小组交流语音对话数据集旨在改善这一局限性，重点解决低资源语言的语音识别和解析的问题。数据采集采用专业级录音设备，在安静、不受干扰环境中进行，确保语音质量清晰。多轮标注和一致性检查是质量控制的关键措施，标注团队由语言学家和语音识别专家组成，规模达50人。数据预处理包括噪声过滤、音频段切分、语音特征提取，最后以WAV格式存储，结构清晰便于处理。