有这么一个笑话，四川老太太在异地乘车，因人多被挤得直喊“孩子丢了”，大家纷纷帮她找孩子，最后她指着旁边的鞋子，大家恍然大悟，她找的是被挤丢的“鞋子”。

关于方言，中国俗话说“十里不同音，百里不同俗”，方言给跨地域沟通带来诸多不便，人与人沟通尚且如此，更何况基于语音识别的人工智能设备呢？

提升方言识别率 有利于优化AI产品体验

随着智能音箱、智能客服为代表的智能语音市场的不断扩大，方言成为语音交互体验的一大障碍。受方言影响，很多人讲普通话也夹带方言特色。比如广州人用粤语问智能音箱“我要不要返工”（注：“返工”在粤语中指的是“上班”），音箱可能给出“如果感觉不够好，你可以再做一次”之类答非所问的对话。

智能语音设备要想进一步扩大市场，满足不同地域用户使用需求，AI模型需要大量的方言数据集。对于智能客服来说，AI掌握多种方言，能够帮助客服提升服务质量，实现机器人“无感化”体验；也能帮助智能家居设备提高方言识别能力，更加精准识别主人命令，从而完成相应的操作。

自然对话数据集让AI学习原汁原味的方言

对于这一需求，爱数智慧针对多方言自然对话场景和朗读场景，采集和标注多种方言对话数据集和口语朗读式数据集。数据集产品覆盖七大方言，帮助AI模型有效提升语音识别准确性。

为最大限度提升AI模型对方言的识别准确率，爱数智慧采集的对话数据来自自然、真实的对话场景，表达风格口语化，对话自然流畅。

大量方言口语朗读式数据集 满足模型训练需求

爱数智慧拥有超过一万小时的方言数据集储备量，除了方言自然对话数据集外，爱数智慧还有方言口语式朗读数据集，方言数据集覆盖北方官话、吴语、湘语、赣语、闽语、粤语、客家话等七大方言，包括四川话、广东话、上海话、武汉话、长沙话、闽南话、郑州话、东北话等具体方言。

匹配发音词典助力模型高效训练

爱数智慧的各个方言数据集，和一般语料库相比，除了音频和文本信息外，还包含了以下几个方面：

字词表：语言模型的核心点是基于方言语音的文本用字一致性，但因普通话和方言语音系统差异巨大，导致方言书写用字方面存在困难，爱数智慧通过字词表为方言设定标准的用字体系，规范统一写法。

常用字词映射表（以上海话为例）

发音词典：为降低有限词汇（out ofvocabulary）对识别率的影响，爱数智慧研发了自主知识产权的发音词典标注系统。发音词典词条和爱数智慧ASR数据集相匹配，并且覆盖字词在真实场景下的发音，包含了每个字单独发音，以及上下文中的真实发音包括变调信息等。方言发音词典包含超过10万条通用式词条，从而加快OOV问题的解决。

发音词典样例（以上海话为例）

平行语料：字词表和词典外，爱数智慧方言口语朗读式数据集还提供平行语料，即方言文本对应的普通话文本。例如：上海话“吾明朝真呃有事体哎”，其对应的普通话文本为“我明天真的有事呢”等。

爱数智慧官网样例含平行语料截图（以上海话为例）

数据集是破解语音识别中方言问题的关键。市场正在逐步重视方言识别，各大厂商也开始涉足这一领域。爱数智慧提供丰富的方言数据集，帮助提升AI模型方言识别层面的准确度，扩大人工智能产品的市场投放范围，推动人工智能产品的发展和普及。

更多语音数据集请访问 爱数智慧官网 原文链接

https://www.magicdatatech.cn/blog/ai-1606463493