LDC2009S02 是 LDC 于 2009 年 7 月发布的捷克语广播对话语音数据集，由 Jáchym Kolár 与 Jan Svec 主导构建，配套文本标注集为 LDC2009T20，核心用于捷克语口语识别、会话分析与结构元数据提取研究，是捷克语广播类语音资源的重要补充。以下从核心信息、数据规格、结构标注、应用场景等方面展开说明：
一、核心定位与数据规模
该数据集聚焦捷克广播电台 “Radioforum” 直播访谈节目，采集自然口语对话语音，填补捷克语广播会话类语音语料的空白，适配语音识别、口语流畅度分析、句法结构研究等需求。
二、音频数据
- 采集细节：数据来自捷克广播电台 1 台的 Radioforum 节目，该节目为工作日晚间播出的直播访谈节目，嘉宾多为政界人士、记者、经济学家等，每期通常有 1-2 位采访者和 1-3 位受访者，以交互式对话为主，也包含较长的独白片段。
- 技术参数：单声道，原始采样率 44.1kHz、16 位精度，发布时降采样至 22.05kHz、16 位，音频格式为 SPHERE 头的 WAV 文件。
- 采集时间：2003 年 2 月 12 日 - 2003 年 6 月 6 日。
- 文件命名：遵循 “rfYYMMDD.wav” 格式，“rf” 代表 Radioforum，后六位数字表示广播日期。
三、配套标注数据（LDC2009T20）
- 标注内容：除逐字逐句的文本转录外，还包含丰富的结构元数据（MDE）标注，如句子级单元边界划分、填充词（如 “锓mm” 等）标注、话语标记识别、言语不流畅现象（如口误、重复）标注等。
- 标注格式：文本及标注以三种格式存储，TRS（Transcriber）仅含标准转录文本，QAn（Quick Annotator）和 RTTM 格式还包含结构元数据，所有文件编码为 ISO - 8859-2。
- 标注规范：基于 LDC 的英语 MDE 标注标准，针对捷克语特点进行了适配修改，确保标注的准确性和适用性。
