ChildMandarin – 智源联合南开开源的低幼儿童中文语音数据集-爱论文

ChildMandarin是什么

ChildMandarin 是智源研究院联合南开大学计算机学院人类语言技术实验室（HLT Lab）共同推出的，针对3-5岁儿童的普通话语音数据集。数据集包含41.25小时的语音数据，来自397名儿童，覆盖中国22个省级行政区，性别分布均衡。数据用智能手机录制，确保高质量音频。ChildMandarin核心特点是自然真实交互，用家长引导式对话采集方式，模拟自然交流场景。数据集填补了低幼儿童语音研究的空白，推动儿童语音识别、语言发展研究及智能语音交互系统的发展。

ChildMandarin的主要功能

语音识别：为自动语音识别（ASR）模型提供大量3-5岁儿童的自然语音数据，提升儿童语音识别的准确性和鲁棒性。说话人验证：支持说话人验证（SV）任务，帮助识别和区分不同儿童的声音，用在儿童身份认证等场景。语言研究：为儿童语言发展研究提供数据支持，助力开发儿童语言学习工具和互动教育系统。

ChildMandarin的技术原理

数据采集：用家长引导式对话的方式，模拟自然交流场景，确保语音数据的真实性和自然性。数据采集覆盖中国22个省级行政区，确保不同地域口音的多样性。用智能手机（Android和iPhone）进行录音，确保音频质量高，采样率为16kHz，精度为16位。数据标注：由专业转录人员进行手动标注，包括儿童的发音、停顿、重复等自然语言现象。标注说话人的年龄、性别、出生地、录音设备、口音等级等信息。模型训练和评估：用多种ASR模型（如Transformer、Conformer、Paraformer）进行训练和评估，基于CTC、AED、RNN-T等技术。对预训练模型（如HuBERT、Whisper）进行微调，用在大规模数据上学习到的特征，提升儿童语音识别的性能。用说话人嵌入提取模型（如x-vector、ECAPA-TDNN、ResNet-TDNN）进行说话人验证任务，评估模型在儿童语音上的表现。数据集设计：数据集分为训练集、验证集和测试集，确保模型训练和评估的科学性和有效性。基于多样化的数据采集和标注，确保数据集能够覆盖不同年龄段、性别、地域和口音的儿童语音。

ChildMandarin的项目地址

GitHub仓库：https://github.com/flageval-baai/ChildMandarinHuggingFace模型库：https://huggingface.co/datasets/BAAI/ChildMandarinarXiv技术论文：https://arxiv.org/pdf/2409.18584

ChildMandarin的应用场景

儿童语言学习工具：开发智能语音辅助工具，帮助儿童学习语言发音、词汇和语法，提升语言能力。互动教育系统：为儿童教育软件和互动学习平台提供语音交互功能，让学习过程更加生动有趣。智能玩具开发：增强智能玩具的语音识别能力，更好地理解儿童的语音指令，提升互动体验。语音助手优化：改进语音助手（如智能音箱、手机助手）对儿童语音的识别和响应，更适合儿童使用。儿童健康管理：监测儿童的语言发展和健康状况，为早期干预提供支持。