老挝语高棉语成品无监督音频语料采购

序号

名称

技术规格

数量（套）

单价（元）

合计（元）

备注

1

老挝语高棉语成品无监督音频语料采购

语料采购需求

一、语料基本信息

语料类型：音频

语种：老挝语、高棉语

所属国家：老挝、柬埔寨

语料规模：老挝语8000小时、高棉语8000小时

二、交付时间

1. 交付周期：全部交付最终日期不迟于签订合同后1周。

2. 交付批次：分三个均等量批次交付。

3. 逾期扣罚：未按照约定时间完成交付的，视为逾期，将按照逾期处理。

(1) 每延期一天扣罚当次任务已交付验收通过总金额的10%，最多扣罚50%。

(2) 超过5天以上未交付的部分拒绝验收，对验收部分扣罚50%。举例：中标供应商可以分批次交付，如果在约定时间内累计交付进度为60%，超过5天未交付的40%，不再验收。针对已经交付的60%仅给结算30%的份额。（5天延期扣罚50%）

(3) 规定时间内交付进度低于60%的，不得参与二次同类任务的竞标。

三、来源与合规性

1. 数据来源

● 公开网络**：包括但不限于视频平台（如 YouTube）、播客、公开新闻广播、有声读物等。

● 会议/访谈录音：来源于已获得合法授权的内部或外部会议、访谈、研讨会等场景。

2. 合规性要求

● 版权：所有采集内容必须遵守来源平台的版权政策和使用条款，需提供原始链接以供溯源。

● 隐私与授权：严禁使用任何未经授权的私人对话。

四、音频基础格式

● 采样率：≥16 kHz

● 位深度：16 bit

● 声道：单声道（Mono）

● 编码格式：WAV、FLAC、PCM等常见非压缩格式（不能是MP3, AAC, OGG (Vorbis), OPUS，WMA，AMR，AC3，RA/RM等压缩格式）

四、语言纯净度

每个音频文件中，目标语言有效语音占比应≥80%。

其他语言、方言或代码转换内容视为杂质，占比过高的文件应予以标记或剔除。

五、内容与多样性

1. 发音人多样性

来源应足够分散，如不同的 YouTube 频道、播客系列、会议项目等，避免单一来源占比过高。

2. 场景与领域多样性

● 场景：访谈/播客、会议/演讲、新闻广播、有声读物、生活对话、短视频、电影等

● 领域：新闻时事、科技、教育、生活、娱乐、体育、财经、医疗、法律等

六、数据组织与元数据

1. 文件夹结构

/ / /

2. 元数据字段说明（★ 为必填，其余能填尽填）

来源信息（必填）：

字段 类型 说明

id ★ string 文件唯一标识符（建议 UUID 或 MD5）

language ★ string 语种（BCP-47，如 ms、lo、my、th）

source_url ★ string 原始来源链接或内部编号（用于版权溯源）

source_type ★ string 来源类型：youtube / podcast / meeting / audiobook / news / ot

collect_date ★ string 采集日期（ISO 格式，如 2026-03-19）

file_path ★ string 音频文件相对路径

duration_seconds ★ float 音频总时长（秒）

scene★ string 讲话场景：interview（访谈）/ lecture（演讲）/ conversation（日

domain string 内容领域：news / tech / education / lifestyle / entertainment / sp/move 等等

3. 元数据示例

{

"id": "ff77538b6dd78036da643007a633f2b1",

"language": "lo",

"source_url": "https://www.****.com/watch?v=xxxxxx",

"source_type": "youtube",

"collect_date": "2026-03-19",

"file_path": "lao/broadcast/youtube/ff77538b.wav", "duration_seconds": 300.5,

"scene": "broadcast",

"domain": "news",

}

1