罗格斯大学发布全球首个大规模首尔韩语重音短语数据集 赋能语音合成等多领域AI落地

近年来，全球多语种语音交互、AIGC语音生成赛道进入高速发展期，韵律标注数据集作为语音AI模型训练的核心上游资源，其覆盖语种的丰富度、标注精度直接决定了AI语音的自然度与场景适配性。而韩语作为黏着语的典型代表，语义表达与语调、重音高度关联，长期以来缺乏大规模、标准化的重音短语标注数据集，成为制约韩语语音技术落地的核心瓶颈之一。

2026年4月21日首发于arXiv的首尔韩语重音短语数据集，由罗格斯大学团队基于韩国AI Hub公开的广播会话数据构建，是全球范围内首个大规模韩语重音短语标注库。数据集覆盖18名专业播音员录制的10093个重音短语，全部由专业语言学人员人工标注为16种离散音高模式；后续通过pYIN算法提取基频轮廓并完成标准化处理，全程采用国际通用的K-ToBI音系框架进行严格标注，为韩语语调研究领域提供了首个数据驱动的基准测试集。

该数据集的核心突破在于搭建了传统语言学理论与深度学习技术的连接桥梁，通过连续基频建模的方式，解决了传统离散分类方法在真实复杂语音场景下，面对发音人差异、语境差异带来的语音变异性时的映射难题，为韵律建模技术的迭代提供了新的研究路径。

从产业落地角度来看，该数据集可广泛应用于多个领域：在语音合成场景下，可助力韩语TTS模型生成更符合母语使用者表达习惯的自然语音，提升有声读物、虚拟人交互、智能韩语客服等产品的用户体验；在语调识别场景下，可帮助语音识别模型精准区分韩语中通过语调变化承载的疑问、强调、情绪等语义信息，大幅提升口语场景的识别准确率；在学术研究领域，还可支撑跨语言韵律对比研究，为多语种大模型的通用语音能力建设提供基础数据支撑。

作为全球数据要素市场中垂直语种标注数据的重要补充，本次数据集的发布不仅填补了韩语韵律研究领域的长期空白，也为其他小语种的标准化韵律数据集建设提供了可参考的标注范式，对推动多语种语音AI技术的普惠落地具有重要价值。

查看首尔韩语重音短语数据集