• 연령ㆍ원거리ㆍ노이즈ㆍ다자발화 등 다양한 환경을 인식할 수 있는 대화ㆍ음성 데이터 셋 구축

• 연구분야
  - 음성인식, 화자인식, 노이즈 제거 기술 등의 연구에 활용
• 산업분야
  - 온라인/오프라인 기반의 음성인식, 음성봇, AI비서, 외국어교육, 동시통역, 녹취록 작성, 청각 보완 실시간 자막 서비스 등에서 사용가능

• AI학습데이터, 일상대화, 음성데이터, 어노테이션, 메타데이터, 라벨링

• 한국인의 일상 대화를 인식하고 음성을 문자로 실시간 변환하는 AI기술 개발을 위한 대화 음성 데이터 셋 구축
• 성별, 지역, 연령, 원거리, 다자발화 등 분야별 원본 음성데이터(4,000시간), 텍스트 데이터 400만 문장 포함

• 원본 음성 데이터: 2,000H
• 방송 콘텐츠(춘천 MBC, EBS 시사) 음원 데이터: 2,000H
• 성별, 지역, 연령, 주제어 등의 메타데이터 정보 제공
• FILE 위치, FILE 명, FILE 시작위치, FILE 종료위치, FILE 재생시간 등의 어노테이션 구조 JSON 형태의 파일로 제공
• 파일의 후 처리(개체정보, 형태소분석 등)의 가공 처리 후 JSON 형태의 파일 제공

• 방송콘텐츠는 춘천 MBC와 EBS의 음원을 추출하여 데이터를 획득하고 확보된 음원파일을 통해서 텍스트 전사(STT 엔진을 활용하여 음성파일을 텍스트로 변환)하고 검수를 진행한다.
  (음원 파일: PCM 형식, 텍스트 파일: TEXT 형식)

•  크라우드소싱 업체의 캐시미션 플랫폼을 활용하여 음원 녹음기능을 통해서 음원파일과 전사파일을 확보한다. 확보된 음원파일을 통해서 텍스트 전사(사람이 직접 음원파일 청취 후 전사)작업을 진행하고 매 업무마다 약식검수(크라우드소싱 업체 녹음자들이 크로스 체크를 통해서 검수 진행)를 진행한다.

• AI 학습데이터 셋 공유를 통한 민간 중심의 선순환 생태계 조성
• AI 기술개발에 양질의 AI 학습데이터 대규모 구축, 원천데이터 확보
• 기술 산업적으로 유망하고, AI 응용개발에 활용 가능한 범용성이 높은 AI 학습데이터 구축 및 공개
• AI 기술개발에 표준 가이드라인을 마련하고 단계적 품질 검증 확보

• 원시데이터(음성)PCM, 전사파일 (TXT) 데이터셋

• 어노테이션 구조

  어노테이션 구조 표

  주제 구분	주제 코드	세부 주제	세부 주제 코드	성별 구분	성별 코드	세대 구분	세대 코드	거주 지역 구분	거주 지역 코드	화자 방언 구분	화자 방언 코드	출처 구분	출처 코드	음질 구분	음질 코드
  방송	01	드라마	01	남	M	유아	C	서울 경기	1	서울 경기	1	방송	1	정상	1
  		영화	02	여	F	청소년	T	강원	2	강원	2	제작	2	노이즈	2
  		K-POP	03			일반성인	A	충청	3	충청	3	크라우드 소싱	3	잡음	3
  		시사교양	04			고령층	S	경상	4	경상	4	기타	9	원거리	4
  		예능	05			기타	Z	전라	5	전라	5
  		연예인	06					제주	6	제주	6
  		회화	07					기타	9	기타	9
  		다큐	08
  		뉴스	09
  		스포츠	10
  		만화	11
  		여행	12
  		건강	13
  		역사	14
  		교육	15
  		기타	99

수행기관(주관) : 솔루게이트

수행기관(참여)