推进语音数据收集与标注：方法介绍、实践经验与未来展望

高迎明¹，冯晓莉^{2, 3}，李博学⁴，解焱陆⁵，张劲松⁵，李雅¹

（1. 北京邮电大学 人工智能学院，北京 100876；2. 教育部语言文字应用研究所，北京 100010；3. 首都师范大学 文学院，100089；4. 云帆海量数据科技（北京）有限公司，北京 102400；5. 北京语言大学 信息科学学院，北京 100083） 

摘要：语音数据是推动语音研究与技术应用发展的基石。数据采集与标注是确保语音数据可用性与有效性的关键环节。尽管学术界与产业界的语音数据库日益丰富，但是数据采集与标注仍面临诸多挑战，包括缺乏标准化方案设计、经验共享不足等问题，尤其在代表性不足的人群或资源匮乏的语言领域更为突出。本文因此首先概述了数据采集与标注的整体框架及其关键组成部分，并介绍了代表性方法和常用工具。此外，展示了我们为采集和标注第二语言习得、听障儿童及心理健康监测语音数据而构建的工具与平台。最后，探讨了大数据与大型模型时代的新兴趋势、挑战及潜在解决方案。通过将方法论指南与实证案例研究相结合，本文为构建语音数据库提供了可操作的见解。

关键词：语音采集，语音标注，语音标注工具，语音数据库构建

扫二维码浏览全文  

Cite this article

Gao, Y., Feng, X., Li, B. et al. Advancing Speech Data Collection and Annotation: General Methods, Practical Experience, and Future Perspectives. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2898-9