乡音方言数据集语音数据来源于乡音 APP（XiangYin.Mobi）用户上传的语音，在现阶段经整理以CC BY-NC-SA协议发布（不可用于商用，衍生品也须使用同协议，转载请保留全部信息和 GitHub 页面链接）。如有商用需求，请联系 [email protected] 。
v1 数据包含了 2015-2024年9月用户上传的读句子的语音（未包含看图说话），经过 VAD 处理以减少静音时间，共计约81个小时，7719个用户。包含了投票数，未包含用户相互验证数据，以 ogg 格式发布。采样率取决于用户设备，通常为 16kHz 或 44.1kHz。
请填表以获取数据：链接。如有问题或建议，请提 Issue 或发邮件讨论。
引用链接：
@misc{xiangyin24,
author = {Xing Chen},
title = {The XiangYin Chinese Dialect Dataset},
howpublished = {\url{https://github.com/cxcxcxcx/xiangyin_dataset}},
year = 2024
}
数据验证：
$ sha256sum xiangyin_dataset_v1_20240928.tar
749ff4f8d3f2f6d2b34031c213a457f1d3429530ea7d0659d7c6e7aa7af4a12b xiangyin_dataset_v1_20240928.tar
| 列名 | 数据类型 | 描述 |
|---|---|---|
| id | 整数 | 语音样本的唯一标识符 |
| sound_length | 浮点数 | 语音样本的时长（秒） |
| votes | 整数 | 语音样本获得的投票数 |
| full_url | 字符串 | 语音样本在乡音网页版 (https://web.xiangyin.mobi) 上的完整 URL |
| date | 日期 | 语音样本上传月份 |
| same_text | 字符串 | 用户输入：描述该语音样本是否与文字匹配 |
| uploader_id | 整数 | 上传者的用户 ID |
| uploader.gender | 字符串 | 用户输入：上传者的性别 |
| uploader.birth_year | 浮点数 | 用户输入：上传者的出生年代（精度10年） |
| dialect.province | 字符串 | 用户输入：语音样本的省份 |
| dialect.city | 字符串 | 用户输入：语音样本的城市 |
| dialect.name | 字符串 | 省市结合的短名称 |
| dialect.location_json.lat | 浮点数 | 用户输入：语音样本采集地的纬度（精度0.1度) |
| dialect.location_json.lng | 浮点数 | 用户输入：语音样本采集地的经度（精度0.1度) |
| dialect.is_living | 布尔值 | 用户输入：上传人上传时是否在该地居住 |
| dialect.is_hometown | 布尔值 | 用户输入：上传人是否在该地长大 |
| sentence.source.type | 字符串 | 语句来源的类型（如：日常用语、诗词） |
| sentence.source.name | 字符串 | 语句来源的具体名称（如：《陋室铭》） |
| sentence.text | 字符串 | 语音样本对应的文本内容 |
| sentence.id | 浮点数 | 语句的 ID |
按省级行政区划分的语音数
| 省级行政区 | 语音数 | 用户数 |
|---|---|---|
| 广东省 | 3001 | 746 |
| 江苏省 | 1948 | 542 |
| 湖南省 | 1823 | 530 |
| 河南省 | 1676 | 543 |
| 浙江省 | 1612 | 441 |
| 湖北省 | 1488 | 377 |
| 四川省 | 1450 | 523 |
| 福建省 | 1398 | 359 |
| 山东省 | 1372 | 468 |
| 江西省 | 1324 | 351 |
| 安徽省 | 1130 | 350 |
| 河北省 | 939 | 278 |
| 陕西省 | 933 | 296 |
| 山西省 | 727 | 231 |
| 重庆市 | 660 | 218 |
| 广西壮族自治区 | 640 | 213 |
| 贵州省 | 519 | 141 |
| 辽宁省 | 497 | 174 |
| 云南省 | 463 | 134 |
| 上海市 | 439 | 116 |
| 北京市 | 408 | 124 |
| 甘肃省 | 360 | 129 |
| 黑龙江省 | 347 | 138 |
| 吉林省 | 280 | 93 |
| 台湾 | 272 | 21 |
| 内蒙古自治区 | 230 | 73 |
| 天津市 | 224 | 72 |
| 台湾省 | 177 | 30 |
| 香港 | 153 | 45 |
| 海南省 | 145 | 52 |
| 新疆维吾尔自治区 | 132 | 47 |
| 宁夏回族自治区 | 71 | 31 |
| 青海省 | 50 | 23 |
| 西藏自治区 | 10 | 7 |
| 性别 | 语音数 | 用户数 |
|---|---|---|
| 男 | 16608 | 4416 |
| 女 | 8034 | 2579 |
| 出生年代 | 语音数 | 用户数 |
|---|---|---|
| 1990.0 | 12426 | 3372 |
| 2000.0 | 8675 | 2554 |
| 1980.0 | 3672 | 943 |
| 1970.0 | 719 | 230 |
| 2010.0 | 668 | 210 |
| 1910.0 | 225 | 91 |
| 1960.0 | 195 | 76 |
| 1940.0 | 114 | 60 |
| 1950.0 | 114 | 61 |
| 1930.0 | 111 | 42 |
| 2020.0 | 92 | 27 |
| 1920.0 | 72 | 35 |