SAID (Switchboard Automatic Identification Database) 数据集，核心为电话信道下的说话人识别 / 确认与语音检索基准语料，用于训练和评测说话人识别、语音检索、话者分割等模型，由 DARPA EARS 项目支持构建。以下是详细介绍：

核心定位与背景

• 全称 Switchboard Automatic Identification Database，聚焦电话场景的说话人自动识别与语音检索任务，适配真实电话信道特性，为语音识别与说话人分析提供标准评测数据。
• 发布于 2003 年，由 Linguistic Data Consortium（LDC）整理分发，支撑 DARPA EARS 等项目的技术研发与评估，是早期电话语音识别与说话人识别领域的重要基准数据。

数据规模与构成

1. 语音数据：基于 Switchboard 电话对话语料扩展，含大量电话信道采集的双工对话语音，覆盖多样说话人、口音与环境，采样率 8kHz、单声道，符合电话语音标准格式。
2. 说话人信息：涵盖多性别、多年龄段、多地域口音的美国英语母语者，标注有说话人 ID、性别、会话 ID 等元数据，便于区分不同说话人并构建识别任务。
3. 标注内容：包含文本转录、时间戳、说话人分割标注，支持说话人识别、语音检索、话者分割等任务的训练与评估，标注准确率经严格校验。
4. 数据划分：提供训练集、开发集与测试集，适配模型训练、参数调优与性能评估的全流程需求。

技术规格