TTS | 语音合成常见数据集及数据格式详情

news2025/1/20 10:51:59

link

LJSpeech

网址： The LJ Speech Dataset (keithito.com)

数据集描述：

数据集大小：2.6GB

这是一个公共领域的语音数据集，由 13，100 个简短的音频剪辑组成一位演讲者阅读 7 本非小说类书籍的段落。为每个剪辑提供转录。剪辑的长度从 1 到 10 秒不等，总长度约为 24小时。

LGSpeech文件格式

数据集描述：

元数据在成绩单.csv中提供。此文件由一条记录组成每行，由竖线字符（0x7c）分隔。这些字段是：

ID：这是对应.wav文件的名称

转录：读者说出的单词（UTF-8）

规范化转录：使用数字、序数和货币单位进行转录扩展为完整单词（UTF-8）。

每个音频文件都是一个单通道 16 位 PCM WAV，采样率为 22050 Hz。

总剪辑数    13,100
总字数    225,715
总字符数    1,308,678
总持续时间    23:55:17
平均剪辑持续时间    6.57 秒
最小剪辑持续时间    1.11 秒
最大剪辑持续时间    10.10 秒
每个剪辑的平均字数    17.23
不同的单词    13,821

JSUT

网址：Shinnosuke Takamichi (高道慎之介) - JSUT (google.com)

数据集描述：

数据集大小：2.7GB

该语料库由日语文本（转录）和阅读式音频组成。音频数据以48kHz采样并记录在消声室。录制了一位以日语为母语的女性的声音。此语料库包含 10 小时的语音，由以下数据组成：

基本5000 ...涵盖所有日常使用字符（jouyou汉字）。

ut释义512 ...将句子的一部分替换为其释义。

拟声词300 ...包括日语的拟声词（拟声词）。

后缀26 ...日语的反后缀

借词128 ...日语的外来词（例如，ググる [“谷歌”作为动词]）

声优100 ...对声优语料库的副演讲（专业女性演讲者的免费语料库）

旅行1000 ...旅行域语料库

先例130 ...先例句

重复500 ...重复口语（100句*5次）

RUSLAN

网址：RUSLAN: Russian Spoken Language Corpus For Speech Synthesis

数据集描述：

RUSLAN 是用于文本到语音转换任务的俄语口语语料库。RUSLAN 包含 22，200 个带有文本注释的音频样本——一个人超过 31 小时的高质量演讲——就单个发言者的语音持续时间而言，是最大的带注释的俄语语料库之一。

RyanSpeech

网址：Mohammad H. Mahoor, PhD

数据集描述：

RyanSpeech是用于研究自动文本到语音（TTS）系统的新语音语料库。公开可用的TTS语料库通常嘈杂，由多个说话者录制，或者没有高质量的男性语音数据。为了满足语音识别领域对高质量、公开可用的男性语音语料库的需求，我们设计并创建了 RyanSpeech。我们从现实世界的对话环境中衍生出RyanSpeech的文本材料，这些材料包含超过10个小时的专业男性配音演员的演讲，录制频率为44.1 kHz。这种语料库创建的设计和管道使RyanSpeech成为在实际应用中开发TTS系统的理想选择。为了为未来的研究、协议和基准提供基线，我们在 RyanSpeech 上训练了 4 个最先进的语音模型和一个声码器。结果显示，在我们的最佳模型中，平均意见得分（MOS）为3.36。我们已公开提供经过训练的模型以供下载。

5.VocBench

网址：https://github.com/facebookresearch/vocoder-benchmark

数据集描述：

VocBench是一个为最先进的神经声码器的性能提供基准的框架。VocBench采用系统的研究方法，在一个共享的环境中评估不同的神经声码器，使它们之间能够进行公平的比较。

6.Arabic Speech Corpus

网址：http://en.arabicspeechcorpus.com/

数据集描述：

数据集大小：1.5GB

该语音语料库是南安普敦大学Nawar Halabi博士工作的一部分。语料库是使用专业录音室用南黎凡特阿拉伯语（大马士革口音）录制的。使用此语料库合成语音作为输出，产生了高质量、自然的声音。

7.Silent Speech EMG

网址：Silent Speech EMG | Zenodo

数据集描述：

无声和发声语音期间的面部肌电图记录。

这些数据在EMNLP 2020（https://arxiv.org/abs/2010.02960）的出版物“无声语音的数字发声”中进行了描述。

可以在 https://github.com/dgaddy/silent_speech 中找到用于处理此数据的代码。

每个数据样本有 5 个数据文件：{i}_emg.npy - 一个保存的大小为（T， 8）的 numpy 数组，带有原始 EMG 信号;{i}_audio.flac - 原始录音;{i}_audio_clean.flac - 降低背景噪音的音频;{i}_info.json - 包含额外信息的 JSON，例如读取的文本提示;{i}_button.npy - 包含设备按钮状态的 numpy 数组，通常未使用。请注意，某些样本并不代表实际数据点，而是用作参考肌电图或音频信号。这些示例在相关信息文件中标有“sentence_index：-1”。

https://arxiv.org/pdf/2010.02960.pdf