近期，OpenAI正式發布語音大模型GPT-4o，可以綜合利用語音、文本和視覺信息進行推理，扮演一個個人語音交互助手。

在音頻處理方面，它不僅能識別和轉錄多種口音和方言，改變語音的速度音調和振動，還能進行聲音模仿和合成，創造出自然流暢的語音內容。

高質量語音數據不僅可以豐富大語言模型處理和生成語音的能力，還能影響模型對語言深層次意義的理解，是推動人工智能邁向更加全面、自然交互的關鍵要素。

景聯文科技是一家專業的大模型數據服務商，推出語音大模型數據庫，致力于為不同訓練階段的算法精準匹配高質量數據資源。

語音大模型數據

普通話 65萬小時真實人音，無背景雜音，24k真實采樣率

數據規模

總時長：大于65萬小時

播音人數：大于10000人

內容規模：大于6000本（部）

數據內容

語音語言: 中文普通話

語音來源: 真人主播；涵蓋男女老少

內容形式: 包括單人、雙人及多人錄制的有聲書和廣播（影視）劇；其中有聲書類型包括各類玄幻、都市、言情等網絡小說和暢銷出版物；廣播（影視）劇包括小說、經典影視劇等改編錄制。

質量參數

語音質量評估（PESQ）> 2

信噪比（SI-SDR）> 10

真實采樣率> 20K（其中大于24K 的占比超過95% ），單通道

交付內容和格式?

交付物內容:

語音文件+數據清單.xlsx

交付物總大小: 約150TB

數據準確率99%，所有數據均經過嚴格流程質檢。

該數據集提供了豐富、清晰、準確的語音語料，主播不僅涵蓋了男女老少真人的口音和不同語速，還包括了不同的情感、語調和表達方式。經過我司嚴格的篩選和編輯，確保語音的品質和格式符合大模型訓練的需求。

景聯文科技擁有豐富的語音數據采集項目經驗，自建了專業的語音采集錄音室，有高度還原真實場景能力，在全國30多個省市有近一萬人的被采集人員儲備，全球范圍內也有采集渠道，支持多語種、多方言語音采集。支持語音識別ASR采集、語音合成TTS采集、喚醒詞采集、多人對話采集、車載語音采集、普通話采集、方言采集、英語采集、小語種采集、近遠場采集、語音VAD采集等。

支持AI算法預處理，支持本地化部署和SAAS服務。通過智能化的標注平臺產品賦能AI訓練數據行業，能夠有效提高人機協作效率擴大產能，及時調整方案做好逾期風險管控，準確把控數據質量問題，為語音相關企業提供處理大語音數據的能力，節省企業的時間和開發成本，實現人力驅動向技術驅動的重要升級，為行業賦能。

獲取樣例請登錄景聯文科技官網咨詢客服。https://www.jinglianwen.com/ai/

或直接發送需求至郵箱：lx@jinglianwen.com

景聯文科技｜數據采集｜數據標注｜大語言模型數據集

助力人工智能技術，賦能傳統產業智能化轉型升級

文章圖文著作權歸景聯文科技所有，商業轉載請聯系景聯文科技獲得授權，非商業轉載請注明出處。