带 PII 红动作的英语呼叫中心转录数据集
计算与语言
2025-07-08 v1
摘要
我们推出 CallCenterEN，一个大规模（91,706 轮对话，约等于 10448 小时音频），面向英语呼叫中心转录的数据集，旨在支持客户支持和销售 AI 系统的研究与开发。这一数据集是迄今为止规模最大、最全面的开源呼叫中心转录数据集。数据集包含代理人与客户之间来往来电的 inbound 和 outbound 通话，包含来自印度、菲律宾和美国的各种方言。数据集包含高质量、已进行 PII 红动作的人工可读转录。所有个人可识别信息（PII）均经过严格删除，以确保符合全球数据保护法规。由于生物识别隐私原因，音频未包含在公开发布版本中。鉴于公开可用的真实世界呼叫中心数据集稀缺，CallCenterEN 填补了该类 ASR 语料库中关键的空白，数据集在 CC BY-NC 4.0 许可证下发布，供非商业研究使用。
引用
@article{arxiv.2507.02958,
title = {Real-World En Call Center Transcripts Dataset with PII Redaction},
author = {Ha Dao and Gaurav Chawla and Raghu Banda and Caleb DeLeeuw},
journal= {arXiv preprint arXiv:2507.02958},
year = {2025}
}
备注
17 pages, 4 figures. Dataset publicly available at https://huggingface.co/datasets/AIxBlock/91706-real-world-call-center-scripts-english . Contains 91,706 real-world English call center transcripts (10,448 audio hours) with PII redaction. Licensed under CC BY-NC 4.0 for non-commercial research use