AISHELL-5 全球首套智能驾舱中文语音交互数据集开源

随着汽车成为人们日常生活中不可或缺的一部分，而驾驶舱中传统的触摸交互方式容易分散驾驶员的注意力，存在安全风险，因此，车内基于语音的交互方式得到重视。与通常家庭或会议场景中的语音识别系统不同，驾驶场景中的系统面临更加独特的挑战，缺乏大规模的公共真实车内数据一直是该领域发展的主要障碍。AISHELL-5是首个开源的真实车载多通道、多说话人中文自动语音识别（ASR）高质量数据集。AISHELL-5的开源加速了智能驾舱内语音交互的相关技术研究，并且希尔贝壳联合西工大音频语音与语言处理研究组（ASLP@NPU）、理想汽车发布的AISHELL-5论文成功入选INTERSPEECH2025国际会议，以下是AISHELL-5数据集的相关介绍。

数据地址：https://www.aishelltech.com/AISHELL_5

• 论文地址：https://arxiv.org/pdf/2505.23036

• GitHub：https://github.com/DaiYvhang/AISHELL-5

数据说明

AISHELL-5 共计893.7小时，单通道145.25小时。邀请165名录音人，在真实车内，涉及60+车载场景下录制。录音内容包含对话（706.59H）和噪声（187.11H）两类。拾音点位共计5个：近讲为头戴麦克风（采样率：16kHz，16bit，数据量：215.63H），远讲为驾舱内麦克风（采样率：16kHz，16bit，数据量：490.96H，拾音位：4个音位）。噪声采集由驾舱内麦克风（采样率：16kHz，16bit，数据量：187.11H，拾音位：4个音位）录制。

录制场景示意图：

录制环境设计信息：

实验数据分配如下：

    

试验说明

我们提供了基于该数据集构建的一套开源基线系统。该系统包括一个语音前端模型，利用语音源分离技术从远场信号中提取出每位说话人的清晰语音，以及一个语音识别模块，用于准确转写每位说话人的语音内容。

系统实验结果：

实验结果展示了多种主流ASR 模型在 AISHELL-5 数据集上面临的挑战。AISHELL-5 数据的开源能够推动智驾领域复杂驾舱场景下的语音技术研究。