Voicemail Corpus Part I数据集介绍，官网编号LDC98S77

Voicemail Corpus Part I（又称 IBM Voicemail Corpus Part I）是由 IBM 采集、LDC（Linguistic Data Consortium）发布的英语语音邮件专用基准数据集，核心用于语音邮件的 ASR、语音摘要与口语理解建模，以真实语音邮件的单声道独白为特色，覆盖自然口语中的停顿、修正、填充词等非流利特征。

---

核心基础信息

1. 来源与定位：由 IBM 在美国多地员工志愿者采集，LDC 编号 LDC98S75，1998 年发布；专为语音邮件场景设计，填补朗读 / 对话语料与真实语音邮件的差异缺口，适配 ASR 与语音摘要任务。
2. 数据规模与格式：总时长约 14.6 小时，含 1801 条训练消息、42 条开发测试消息，额外含 IBM 提供的 50 条独立测试消息；音频为 8kHz/16bit 单声道 SPHERE 格式，符合电话语音标准；文本标注含逐词转录，词汇量约 10K，OOV 率约 1%。
3. 语音内容与场景：均为自发语音邮件独白，涵盖个人通知、商务留言、信息查询等；含丰富口语现象（如 um/ah 填充词、自我修正、语速变化、背景噪声），无实时反馈导致的提问与指令句式，贴近真实语音邮件交互。
4. 标注体系：提供说话人 ID、消息时间戳、完整文本转录，部分版本含词性标注与词级时间对齐，支持模型训练与 WER 等指标评估。

NLP语料共享、LDC语料https://mp.weixin.qq.com/s/8GgZFh9XAr7FYwivQ_ajRg