NER-Trs-Vol1

MM 0418/2018

Fig.1 webpage NER-Trs-Vol1 cover.

README.md

NER-Trs-Vol1 （beta）

by 廖元甫 臺北科技大學

NER Manual Transcription 語料庫第一集（ NER-Trs-Vol1），為臺北科技大學和國立教育廣播電台合作產製之語料庫，主要目標是要大量轉寫教育電台節目，產生節目音檔逐字稿，以建置大規模台灣腔語料庫，作為研發人工智慧之基礎建設，尤其是針對基於深度學習之語音辨認研究需巨量資料之要求。語料庫節目內容大部分是談話性節目，多為自發性語音，只有少部分是新聞報導的朗讀式語音。

語料庫內容

語料庫分成乾淨語料（Clean，約19.4小時、共5106個檔案），與其他語料（Other，約107.4小時、共15983個檔案）。合計總共約126.8小時、共21089個檔案數。

音檔格式

取樣格式 : mono, 16kHz，16 bits PCM

音檔格式： *.wav

處理程序

由教育電台數位典藏中選出之節目音檔，先根據下列二項條件將節目語料區分為「乾淨語料」及「其他語料」：

為錄音室內或為錄音室以外之場所錄製

有無任何背景襯樂或非人聲之噪音

以上二項分類要點在於語料之純淨度，乾淨語料之要求較高，其他語料則較不要求。

然後經由NTUT雙語大字彙語音辨認器（LSTM+RNNLM）轉寫成音檔逐字稿，再經人工校正、切割與移除有版權疑慮的音樂段落後產生語料庫。

語料列表

Clean

other