ARL Urdu Speech Database, Training DataLDC2007S03是 LDC 发布的乌尔都语朗读式语音训练数据集由美国陆军研究实验室ARL提供、Appen 采集核心用于乌尔都语语音识别ASR模型训练与方言研究含约 160 名说话人、35.6 小时语音及对应转录文本2007 年 2 月发布。以下从核心信息、采集处理、格式标注、应用与限制等方面展开介绍核心基础信息项目详情发布机构美国语言数据联盟LDC数据来源为美国陆军研究实验室ARL数据规模200 名原生乌尔都语者中的约 80%160 人数据约 35.6 小时语音每人 400 个朗读提示句子、地名、人名对应完整 UTF-8 转录文本方言覆盖巴基斯坦与印度北部 7 大方言区南信德29 人、北信德30 人、南旁遮普27 人、北旁遮普29 人、首都地区29 人、西北部地区30 人、俾路支省26 人语料来源2006 年由澳大利亚 Appen Pty Ltd 采集含近距离与远距离双麦克风录音适配不同声学场景发布时间2007 年 2 月配套资源对应测试集约 20% 数据可独立获取完整数据集含训练 测试两部分数据采集与处理采集设计受试者为 20-55 岁成人母语者来自巴基斯坦与印度北部按随机分配提示文本朗读内容自然覆盖日常表达、专有名词保证语料多样性与代表性。录音规格双麦克风同步采集不同距离原始音频为带独立头文件的原始格式采样率 16kHz适配语音识别训练标准输入后期处理保留双声道数据便于声学模型鲁棒性训练。转录规范逐句转录采用 UTF-8 编码剔除标点、数字完整拼写确保文本一致性与易读性标注说话人 ID、发音变体、方言标签等元数据支持语音 - 文本对齐与方言分析。数据格式与内容语音数据原始格式音频文件带独立头文件双声道16kHz 采样适配语音技术常用输入按说话人、会话划分文件便于数据管理与模型训练。文本数据每段语音对应标签文件存储转录文本含提示文本 ID、时间戳、说话人信息支持语音 - 文本精准对齐与批量训练。元数据含受试者地域、性别、年龄、方言区等信息以及麦克风距离、采集日志等技术参数助力数据筛选与声学场景适配。