Multi-Domain Cantonese Corpus (MDCC)|粤语语音数据集|自动语音识别数据集

Multi-Domain Cantonese Corpus (MDCC)是由香港科技大学创建的一个包含73.6小时干净朗读语音的数据集，涵盖哲学、政治、教育、文化、生活方式和家庭等多个领域。该数据集从香港的粤语有声读物中收集，包含约83,275条语音记录，每条记录时长在0.22至15秒之间。MDCC旨在解决粤语自动语音识别（ASR）系统中数据稀缺的问题，并通过与现有数据集如Common Voice zh-HK的比较，展示了其在ASR研究中的有效性。

AI搜集汇总

数据集介绍

构建方式

Multi-Domain Cantonese Corpus (MDCC) 的构建方式主要通过收集香港粤语有声读物来实现。该数据集包含了来自不同领域的粤语有声读物，涵盖哲学、政治、教育、文化、生活方式和家庭等多个主题。为了确保数据的质量和适用性，研究团队聘请了母语为粤语的专家对有声读物进行筛选，剔除不适合自动语音识别（ASR）系统的部分。随后，通过语音活动检测（VAD）工具将有声读物分割成更短的音频片段，最终形成了83,275个音频片段，总时长为73.6小时。为了提高转录的准确性，研究团队首先使用Google Cloud Speech-to-Text API进行自动转录，然后聘请母语为粤语的专家对自动生成的转录进行手动校正。

使用方法

MDCC 数据集主要用于粤语自动语音识别（ASR）的研究和模型训练。研究者可以使用该数据集训练和评估ASR模型，特别是基于深度学习的模型。数据集的训练、验证和测试集已经预先划分，分别为57.53小时、5.05小时和11.01小时，便于直接用于模型训练和性能评估。此外，MDCC 可以与其他粤语数据集（如Common Voice zh-HK）结合使用，通过多数据集学习进一步提升模型的鲁棒性和泛化能力。研究者还可以利用该数据集进行语音增强、语音合成等相关研究，探索粤语语音处理的各种应用场景。

背景与挑战

背景概述

自动语音识别（ASR）技术在低资源语言中的应用，尤其是粤语，对于提升语言少数群体对人工智能技术优势的获取至关重要。香港科技大学的一组研究人员，包括Tiezheng Yu、Rita Frieske、Peng Xu等，于2022年创建了多领域粤语语料库（Multi-Domain Cantonese Corpus, MDCC）。该数据集包含73.6小时的清晰朗读语音，来源于香港的粤语有声读物，涵盖哲学、政治、教育、文化、生活方式和家庭等多个领域。MDCC的创建旨在解决粤语数据稀缺的问题，并为粤语自动语音识别研究提供丰富的资源。通过与现有的粤语数据集进行比较，MDCC展示了其在提升ASR模型性能方面的有效性。

当前挑战

MDCC的构建面临多项挑战。首先，粤语作为一种低资源语言，其数据稀缺性限制了ASR系统的发展。尽管香港有大量粤语使用者，但现有的粤语数据集规模较小，且质量参差不齐，难以支持深度学习模型的训练。其次，数据集的构建过程中，研究人员需要从多种有声读物中筛选出适合ASR系统的语音材料，并进行高质量的转录和校对。此外，如何有效地利用多领域数据进行模型训练，以提高模型的泛化能力和鲁棒性，也是MDCC面临的重要挑战。最后，尽管MDCC在提升粤语ASR性能方面取得了显著成果，但其数据规模仍相对较小，未来需要进一步扩展数据集，以支持更复杂的ASR任务。

常用场景

经典使用场景

Multi-Domain Cantonese Corpus (MDCC) 最经典的使用场景之一是用于构建和优化自动语音识别（ASR）系统。该数据集包含了73.6小时的清晰朗读语音，涵盖了哲学、政治、教育、文化、生活方式和家庭等多个领域，为研究人员提供了丰富的语料资源。通过使用MDCC，研究人员可以训练和验证ASR模型，尤其是在低资源语言环境中，提升模型的识别准确率和鲁棒性。

解决学术问题

MDCC 解决了低资源语言（如粤语）在自动语音识别（ASR）研究中的数据稀缺问题。由于粤语在学术界和工业界的资源相对匮乏，现有的ASR系统在粤语上的表现往往不尽如人意。MDCC通过提供高质量的多领域语音数据，填补了这一研究空白，使得研究人员能够更好地训练和评估ASR模型，推动粤语及其他低资源语言的语音识别技术发展。

实际应用

MDCC 在实际应用中具有广泛的前景，尤其是在粤语为主要语言的地区，如香港。该数据集可以用于开发智能语音助手、语音翻译工具、语音输入法等应用，提升用户体验。此外，MDCC还可用于教育领域，帮助开发粤语学习软件，促进语言文化的传承与推广。通过这些实际应用，MDCC为粤语社区提供了更多技术支持，增强了人工智能技术在语言多样性中的包容性。

数据集最近研究

最新研究方向

近年来，自动语音识别（ASR）技术在低资源语言中的应用逐渐成为研究热点，尤其是针对粤语等语言的数据集构建与模型优化。Multi-Domain Cantonese Corpus (MDCC) 数据集的提出，填补了香港粤语语音数据的空白，为粤语ASR研究提供了丰富的资源。该数据集不仅包含了73.6小时的清晰朗读语音，还涵盖了哲学、政治、教育、文化等多个领域，极大地扩展了粤语语音数据的多样性。研究者通过使用Fairseq S2T Transformer模型对该数据集进行实验，验证了其在粤语ASR任务中的有效性。此外，多数据集联合训练的方法进一步提升了模型的鲁棒性，为低资源语言的ASR研究提供了新的思路。未来，该数据集的扩展与多语言数据集的结合将成为粤语ASR研究的重要方向，有望推动低资源语言语音识别技术的进一步发展。

相关研究论文

• Automatic Speech Recognition Datasets in Cantonese: A Survey and New Dataset

  香港科技大学 · 2022年