한국어 강의 음성
기본탭
| 데이터셋명 | 한국어 강의 음성 | |||
|---|---|---|---|---|
| 데이터 분야 | 음성/자연어 | 데이터 유형 | 텍스트, 오디오 | |
| 구축기관 | 티맥스소프트 | 데이터 관련 문의처 | 담당자명 | 이강희(티맥스소프트) |
| 가공기관 | 티맥스소프트, 한국에듀테크산업협회 | 전화번호 | 031-8018-1814 | |
| 검수기관 | 나무기술 | 이메일 | kanghee_lee@tmax.co.kr | |
| 구축 데이터량 | 576만 | 구축년도 | 2020년 | |
| 버전 | 1.1 | 최종수정일자 | 2021.09.09 | |
| 소개 | 한국어로 된 강의영상/음성을 인식하여 자동으로 자막을 생성해주고, 내용을 이해하는 강의 음성 데이터 | |||
| 주요 키워드 | 한국어 음성 DB, 한국어 음성언어처리 기술, 자동 자막 생성, 음성 품질, 명료도, 대화 주제, 저작권 | |||
| 저작권 및 이용정책 | 본 데이터는 과학기술정보통신부가 주관하고 한국지능정보사회진흥원이 지원하는 '인공지능 학습용 데이터 구축사업'으로 구축된 데이터입니다. [데이터 이용정책 상세보기] | |||
| 데이터설명서 | 자료보기 | 구축활용가이드 | 자료보기 | |
| 샘플데이터 | 다운로드 | 교육활용동영상 | 영상보기 | |
| 저작도구 | 다운로드 | AI모델 | 다운로드 | |
데이터 변경이력
| 버전 | 일자 | 변경내용 | 비고 |
|---|---|---|---|
| 1.1 | 2021.09.09 | 데이터 품질 보완 | |
| 1.0 | 2021.06.25 | 데이터 최초 개방 |
구축 목적
- 한국인의 음성을 문자로 바꾸어 주고, 문맥을 이해하는 한국어 음성 언어처리 기술 개발을 위한 AI 학습용 한국어 음성 DB를 구축
- 한국어로 된 강의 영상/음성을 인식하여 자동으로 자막을 생성해주고, 내용을 이해하는 서비스를 위한 한국어 강의 음성 DB를 구축
활용 분야
- 연구분야 : 음성인식, 음성언어처리, 자연어처리, 한국어 음성언어연구, 신호처리 등
- 산업분야: 온/오프라인 기반의 음성인식, 강의 자동 자막생성기, AI로봇, Untact 교육 솔루션 등
소개
- 연령, 주제별, 과목별 다양한 한국어 강의 음성으로부터 음성의 내용을 전사하고 AI모델 개발을 진행한 한국어 강의 음성 AI 데이터셋으로, EBS의 교육영상을 기반으로 데이터를 수집하였으며, 강의 자막 자동 생성 서비스 및 교육 관련 응용서비스 개발에 활용할 수 있음.
다양한 음성의 재사용에 제한이 없도록 저작권 문제를 완전히 해결한 원천 데이터를 확보함.
구축 내용 및 제공 데이터량
- 대분류(초,중,고,직업/자격증,기타 성인)에서 파생된 10여종의 콘텐츠 기반으로 한 주제별, 수준별 학습 목적에 적합한 4,000시간의 한국교육방송공사(EBS) TV/라디오 방송콘텐츠 및 온라인 강의 콘텐츠
| 구분 | 초 | 중 | 고 | 직업/자격증 | 기타 성인 |
|---|---|---|---|---|---|
| 시간(hr) | 960시간 이상 | 750시간 이상 | 1,340시간 이상 | 530시간 이상 | 420시간 이상 |
| 데이터 선정 기준 | - 총 12학년 (초,중,고) - 국어, 수학, 사회, 과학, 역사 5종 - 국어 640시간, 수학 680시간, 사회 570시간, 과학 610시간, 역사 550시간 |
- 10종 분류 (국어, 한국사, 사회, 과학, 수학, 전문자격, 금융, 경영, IT, 기술) - 종별 50~80시간 |
- 10종 분류 (인문, 철학, 문학, 예술, 과학, 사회, IT,교육) - 종별 30~100시간 |
||
| 수집항목 | - 강의음성, 강사정보(성별, 연령), 강의주제(과목, 학년), 강의정보(방송날짜, 발화장소) 등 | - 강의음성, 강사정보(성별), 강의주제, 강의정보(방송날짜, 발화장소) 등 | |||
대표도면
필요성
- 최근 AI를 활용한 음성인식 기술이 인공지능 비서를 포함한 다양한 서비스에 적용되고 있음
- 하지만 AI 음성인식 모델이 한국어 강의 데이터로 학습이 이루어지지 않을 경우, 강의에서 발생하는 다양한 노이즈 등으로 인해 음성인식 성능이 떨어지는 경향을 보임
- 기존에 공개된 한국어 강의 도메인에 대한 데이터셋은 존재하지 않으며, 저작권 문제 등으로 활용이 불가하였음
- 본 과제를 통해 한국어 강의 도메인에 대한 AI 음성인식 성능 향상을 위한 한국교육방송공사(EBS)로부터 제공받은 4,000 시간 이상의 한국어 강의 데이터셋을 구축함
데이터 구조
| ID | 항목 | 타입 | |||
|---|---|---|---|---|---|
| 키 명 | 키 설명 | ||||
| dataSet | 데이터셋 | Dict | |||
| 1 | version | 데이터셋 버전 | String | ||
| 3 | date | 녹취된 날짜 | String | ||
| 4 | typeInfo | 음원 데이터 상세 정보 | Dict | ||
| 4-1 | category | 음원 카테고리 정보 | String | ||
| 4-2 | subcategory | 음원 서브카테고리 | String | ||
| 4-3 | place | 음원 녹취 장소 | String | ||
| 4-4 | speakers | 화자 목록 | List | ||
| 4-3-1 | id | 화자 아이디 | String | ||
| 4-3-1 | age | 나이대: 20대, 30대, 50대(추정), null(알수없음) 등 | |||
| 4-3-2 | gender | 화자 성별: 남, 여 | String | ||
| 4-3-2 | residence | 거주지역: 서울, 대전, 부산, 광주, null(알수없음) 등 | |||
| 4-5 | inputType | 입력형식: 방송, 유선, 모바일, 인터넷 등 |
List | ||
| 5 | dialogs | 전사 데이터 목록: 묵음 기준으로 나누어진 발화 단위로 생성 |
List | ||
| 5-1 | speaker | 화자 아이디: speakers에 등록된 id | String | ||
| 5-2 | audioPath | 발화 단위 RAW 데이터 경로 | String | ||
| 5-3 | textPath | 발화 단위 TEXT 데이터 경로 | String | ||
데이터셋 구축 담당자
수행기관(주관) : 티맥스소프트
| 책임자명 | 전화번호 | 대표이메일 | 담당업무 |
|---|---|---|---|
| 임성민 | 031-8018-1821 | seongmin_lim@tmax.co.kr | · 데이터구축 총괄 · 데이터 수집 · 데이터 정제 · 데이터 가공 · AI모델개발 · 응용서비스 개발 |
수행기관(참여)
| 기관명 | 담당업무 | 기관명 | 담당업무 |
|---|---|---|---|
| ㈜아이스크림에듀 | · 데이터 수집 · 데이터 정제 · 데이터 가공 |
(사)한국에듀테크산업협회 | · 데이터 수집 · 데이터 정제 · 데이터 가공 |
| 나무기술(주) | · 품질검증 |
