-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-29 데이터 수정 개방 분할압축 1.0 2023-07-31 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-29 산출물 전체 공개 소개
한국어 강의 영상 및 음성을 인식하여 자막 생성 등의 서비스를 위한 인공지능 학습용 한국어 대학 강의 분야 음성데이터 구축
구축목적
(연구)음성인식, 음성언어처리, 자연어처리, 한국어 음성언어연구, 신호처리 등 (산업)온/오프라인 기반의 음성인식, 강의 자동 자막생성시, AI 로봇, 언택스 교육 솔루션 등 한국어 대학강의: 4,800시간 음성데이터 구축
-
메타데이터 구조표 데이터 영역 한국어 데이터 유형 오디오 , 텍스트 데이터 형식 WAV, JSON 데이터 출처 구입, 자체 수집 라벨링 유형 전사(음성) 라벨링 형식 JSON 데이터 활용 서비스 한국어 대학강의 음성인식 서비스, 언택트 교육 솔루션 등 데이터 구축년도/
데이터 구축량2022년/원천 데이터(2,120,832개), 라벨링 데이터(2,120,832개) -
- 형식: WAV
- 규모 및 분포데이터 통계- 규모 및 분포 구분 대분류 수량(건) 비율(%) 원천데이터 인문 338,392 16 (WAV) 사회 398,362 19 교육 325,101 15 공학 441,022 21 예체능 324,976 15 교양 292,979 14 총계 2,120,832 100 ○ 라벨링데이터
- 형식: JSON
- 규모 및 분포라벨링데이터 구분 대분류 수량(건) 비율(%) 원천데이터 인문 338,392 16 (WAV) 사회 398,362 19 교육 325,101 15 공학 441,022 21 예체능 324,976 15 교양 292,979 14 총계 2,120,832 100 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드○ 모델 학습
- 한국어 대학강의 음성인식을 기반으로 하는 연구⦁개발에 활용가능한 학습모델 설계
- 음성인식 모델 : Conformer
- 성능 지표: character error rate (CER)
- 학습조건 : espnet toolkit, 70000000 batch bins, 30 epoch, 0.0005 learning rate, optim adam
- 학습데이터: 한국어 대학강의 데이터 6종 카테고리 80% 분량
- 음성인식 성능: CER 10% 이하
○ 응용(시범)서비스 예시
- 온라인 강의 중 실시간 음성인식으로 전사된 텍스트 자막 제공 서비스
- 비대면 강의 산업 및 서비스
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 음성인식 성능 Speech Recognition Conformer CER 10 % 9.4 %
※ 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 다운로드데이터 구성
데이터 구성 경로 구분 정보 구분자 정보 1차 경로 대분류 인문:hum 사회:soc 교육:edu 공학:eng 예체능:art 교양:gen 2차 경로 중분류 언어문학:lang 인문과학:huma 경영경제:econ 사회과학:soci 중등교육:midd 유아교육:chil 특수교육:spec 컴퓨터통신:comp 건축:arch 전기전자:elec 디자인:desi 무용체육:pysi 기초:basi 학구:adva 어노테이션 포맷
어노테이션 포맷 구분 속성명 타입 필수여부 설명 범위 1 01_dataset Object 데이터셋 라벨 정보 1-1 1_identifier String Y 데이터셋 식별자 2022-2-16-137 1-2 2_name String Y 데이터셋 명 한국어 대학 강의 데이터 1-3 3_src_path String Y 데이터셋 폴더 위치 1-4 4_label_path String Y 데이터셋 레이블 폴더 위치 1-5 5_category String Y 대분류 1-6 6_type String Y 데이터셋 타입 음성 1-7 7_copyright String Y 저작권 여부 Y: 해결 N: 미해결 1-8 8_src_length Number Y 3차 경로 길이 합계 1-9 9_speech_length String Y 파일 길이 2 02_srcinfo Object 강의 라벨 2-1 1_id String Y 강의 ID 2-2 2_title String N 강의 제목 2-3 3_video_duration String N 강의 재생시간 0 이상 2-4 4_langauge String N 강의 언어 한국어 3 03_lectureinfo Object 강의정보 3-1 1_city String Y 발화자출신지역 3-2 2_university_type String Y 대학 종류 3-3 3_major_category String Y 중분류 3-4 4_department String N 학과 3-5 5_collection_type String Y 강의 분류 화상회의 온라인강의/ 현장녹화 온라인 강의/ 현장녹화 대면강의 3-6 6_subject String N 강의 주제 3-7 7_date String N 강의 날짜 연도 3-8 8_summary String N 강의 요약 5 05_speakerinfo Object 화자정보 5-1 1_id String Y 아이디 5-2 2_gender String Y 성별 남성, 여성 5-3 3_age String Y 연령대 20대, 30대, 40대, 50대 이상 5-4 4_role String Y 역할 강사, 학생 5-5 5_dialect String Y 사투리 유무 Y:유, N:무 6 06_transcription object choice 전사 텍스트 라벨 정보 6-1 1_text String Y 전사 텍스트 문장 6-2 2_entity Object N 전문용어 전문용어 정보 1_word string N 전문용어명칭 2_desc string N 전문용어설명 실제 예시
{ "01_dataset" : {
"1_identifier" : "2022-2-16-137",
"2_name" : "한국어 대학 강의 데이터",
"3_src_path" : "source/art/pysi/C00061/U00130.wav",
"4_label_path" : "labels/art/pysi/C00061/U00130.json",
"5_category" : "art",
"6_type" : "음성",
"7_copyright" : "Y",
"8_src_length" : 1515.03,
"9_speech_length" : "3.2143125"
},
"02_srcinfo" : {
"1_id" : "C00061"
},
"03_lectureinfo" : {
"1_city" : "표준어",
"2_university_type" : "4년제",
"3_major_category" : "pysi",
"5_collection_type" : "현장녹화 온라인 강의"
},
"05_speakerinfo" : {
"1_id" : "S00290",
"2_gender" : "M",
"3_age" : "50대이상",
"4_role" : "강사",
"5_dialect" : "표준어"
},
"06_transcription" : {
"1_text" : "자 2교시 마치겠습니다."
}
}
-
데이터셋 구축 담당자
수행기관(주관) : ㈜스피치랩스
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 오유리 [email protected] 총괄책임 수행기관(참여)
수행기관(참여) 기관명 담당업무 문화체육진흥원 수집, 품질관리(통합) 인트리 정제, 가공 쿠버릭스 정제, 가공 바토너스 비식별 알엠소프트 검수 스피치랩스 모델링, 품질관리(통합) 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 오유리 [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.