-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.2 2024-01-31 최종데이터 수정 개방 1.1 2023-11-03 데이터 최종 개방 1.0 2023-06-02 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-01-12 산출물 전체 공개 소개
여러 화자가 발화하는 소음환경 또는 차량 내 소음환경에서 중심이 되는 화자의 명령어 음성 인식 및 성능 개선을 위한 인공지능 학습용 명령어 발화 데이터
구축목적
지하철, 카페, 차량, 공원, 공항 등 다양한 소음 환경에서 서비스되는 AI 인공지능 및 인공지능 비서, 녹취록 작성, 통역 등 음성인식이 활용될 수 있는 분야에 다양하게 활용될 수 있음.
-
메타데이터 구조표 데이터 영역 한국어 데이터 유형 오디오 데이터 형식 WAV 데이터 출처 크라우드 소싱을 통한 음성 수집 라벨링 유형 전사(음성) 라벨링 형식 json 데이터 활용 서비스 소음 환경에서 서비스되는 AI 음성인식 데이터 구축년도/
데이터 구축량2022년/4,021시간 -
1. 데이터 구축 규모
1. 데이터 구축 규모 구분 목표 시간 최종 구축량(시간) 비율 다화자 소음 2,500 2,905 72% 차량 소음 1,000 1,116 28% 합계 3,500 4,021 100% 2. 데이터 분포
◦ 출생지 분포2. 데이터 분포◦ 출생지 분포 구분 최종 구축량(시간) 비율 서울/인천/경기 2,899 72% 대전/세종/충청/강원 376 9% 광주/전라/제주 359 9% 부산/대구/울산/경상 388 10% 합계 4,021 100% ◦ 성별 분포
2. 데이터 분포◦ 성별 분포 구분 최종 구축량(시간) 비율 남성 1,502 37% 여성 2,520 63% 합계 4,021 100% ◦ 연령대 분포
2. 데이터 분포◦ 연령대 분포 구분 최종 구축량(시간) 비율 청소년 864 21% 성인 2,413 60% 노년 744 18% 합계 4,021 100% ◦ 소음별 수집현황
2. 데이터 분포◦ 소음별 수집현황 다화자 소음 환경(시간) 다화자 소음 환경(시간) 구분 원거리 근거리 식당 166 62 카페 158 85 가정환경 207 34 편의점 240 152 대형몰 244 72 기차역 234 108 공원 228 93 헬스장 243 85 공항 130 85 병원 153 126 합계 2,003 902 2. 데이터 분포◦ 소음별 수집현황 차량 소음 환경(시간) 차량 소음 환경(시간) 속도 차량 차종 창문개폐 멀티미디어 동승자 기타소음 경차 소형 중대형 승합차 열림 닫힘 방송/ 음악 내비 1명 반려 경적음 공조 영상 동물 저속 경차 1.71 0.47 0.21 0.52 소형 282.2 19.55 2.37 98.96 34.41 15.68 19.9 56.27 85.09 중대형 11.53 6.76 4.77 승합차 218.29 209.39 1.28 0.74 1 1.01 1 중속 소형 0.16 0.15 중대형 3.39 1.28 0.48 1.63 고속 경차 0.32 0.32 소형 1.55 0.58 0.97 중대형 452.01 1.05 133.03 315.27 승합차 145.04 136.9 0.42 0.41 2.56 합계 2.03 283.91 466.93 363.33 21.07 490.05 101.93 35.56 341.88 20.91 56.79 0.15 86.09 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드◦ AI 모델 환경 설치 가이드
● GPU: 모델 활용 시 불필요 cpu 로 가능
● 컨테이너명 : nia14_espnet_model
● 포트 : 별도로 사용하는 포트 없음
● 데이터셋 디렉토리 도커 이미지에 포함
◦ 학습모델 선정◦ 학습모델 선정 구분 1. Transformer 2. WAV2VEC 3. TDNN-LSTM 구조 
주관 기관 NTT R&D Facebook AI 리서치 Johns Hopkins University 모델 분류 end-to-end end-to-end 전통적 조립형 모델과 end-to-end 모델의 혼합 툴킷 및 소스코드 espnet wav2vec Kaldi 성능지표 CER (Character Error Rate) 10% 이하 선정여부 O X X 선정사유 데이터가 충분한 경우 다양한 소음 환경에서 효과적, 더 우수한 성능 발휘 ◦ 모델 결과값 의미
● SPKR: 화자
● # Snt : 해당 화자가 발화한 문장 수
● # Wrd 해당 화자가 발화한 글자 수
● Corr : 해당 발화자가 발화한 글자 중 음성 인식기 모델이 올바르게 인식한 비율(백분율)
● Sub: 해당 발화자가 발화한 글자 중 음성 인식기 모델이 다른 글자로 인식한 비율(백분율)
● Del: 해당 발화자가 발화한 글자 중 음성 인식기 모델이 삭제하여 인식한 비율(백분율)
● Ins: 해당 발화자가 발화하지 않았으나, 음성 인식기 모델이 인식한 글자의 비율(백분율)
● Err: 음성 인식기가 글자를 잘못 인식한 위 3 가지 유형 (Sub, Del, 의 비율의 합(백분율)
● S.Err 음성 인식기가 문장을 오인식한 비율(백분율, 한 글자라도 틀릴 경우 오인식으로 계산) -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 명령어 음성인식 정확도 Speech Recognition ESPnet CER 10 % 9.2 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드◦ 원시 데이터 및 원천 데이터 포맷
- 원시데이터 및 원천데이터는 음성(wave) 파일, wave(PCM) 데이터 포맷
- 표본추출률(sapmling rate): 16kHz
- 양자화(quantisation): 16bit
- 채널: Mono◦ 원시 데이터 및 원천 데이터 포맷 대분류 중분류 소분류 설명 file name 파일명 length 파일 길이 beginOfSpeech 발화 시작점 endOfSpeech 발화 끝점 speechLength 발화 길이 samplingRate 샘플링 레이트 bitRate 비트 레이트 channel 채널 정보 speaker id 발화자 번호 age 발화자 나이 gender 발화자 성별 residence 발화자 출생지 status 목상태 mask 마스크 착용 유무 recordingDevice 녹음 장치 noise multipleSpeakersNoise type 녹음 환경 direction 소음 방향 distance 소음원과의 거리 carNoise speed 주행 속도 carType 차종 windowOpen 창문 개폐여부 multiMedia 멀티미디어 otherNoise 기타 소음 multipleSpeakers 동승자 소음 level 노이즈 크기 command scriptId 스크립트 번호 commandId 텍스트 번호 category 명령어 카테고리 domain 명령어 도메인 subDomain 명령어 세부 도메인 text 명령어 텍스트 emotion 감정 qna 질문/답변 qnaPair 질문/답변 쌍 level 말소리 크기(dB) snr 신호대잡음비(dB) time 시간대
◦ Json 어노테이션 포맷 설명
{
"file" : {
"name" : "B-M0012F-M-t05dC-NUNUNU-M010083",
"length" : "5.63","beginOfSpeech" : "1.48",
"endOfSpeech" : "4.82",
"speechLength" : "3.34",
"samplingRate" : "16kHz",
"bitRate" : "16 bit",
"channel " : "Mono"
},
"speaker" : {
"id" : "M0012",
"age" : "성인",
"gender" : "여",
"residence" : "서울/인천/경기",
"status" : "정상",
"mask" : "착용",
"recordingDevice" : "스마트폰"
},
"noise" : {
"multipleSpeakersNoise" : {
"type" : "대형몰",
"direction" : "후",
"distance" : "근거리"
},
"carNoise" : {
"speed" : "Null",
"carType" : "Null",
"windowOpen" : "Null",
"multiMedia" : "Null",
"otherNoise" : "Null",
"multipleSpeakers" : "Null"
},
"level" : "56db"
},
"command" : {
"scriptId" : "M01",
"commandId" : "0083",
"category" : "일반",
"domain" : "IoT",
"subDomain" : "ON/OFF",
"text" : "내가 티비를 켜고 싶은데 켜 놨어?",
"emotion" : "Null",
"qna" : "질문",
"qnaPair" : "Null",
"level" : "68db",
"snr" : "2db",
"time" : "15:59:01"
}
} -
데이터셋 구축 담당자
수행기관(주관) : 비디
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 송주홍 02-2025-4999 [email protected] 데이터 수집, 가공, 라벨링 수행기관(참여)
수행기관(참여) 기관명 담당업무 미디어젠 데이터 설계, 모델링 메트릭스 데이터 수집, 정제, 검수 코리아퍼스텍 데이터 정제, 검수 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 송주홍 02-2025-4999 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.