link

本文主要是介绍了语音合成中最常见的数据集（包含各个语种），及其格式等

外语数据集

1.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

下载后文件压缩包： LJSpeech-1.1.tar.bz2

linux解压命令

tar -jxvf LJSpeech-1.1.tar.bz2

解压缩后，生成LJSpeech-1.1文件夹：.wav及csv文件

wavs格式如下

metadata格式如下(text文件)

2.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）

3.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。

4.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

8.Hi-Fi Multi-Speaker English TTS Dataset

网址：Hi-Fi Multi-Speaker English TTS Dataset

数据集描述：

该数据集是基于LibriVox的公共有声读物和古腾堡计划的文本。

Hi-Fi TTS数据集包含来自10个发言人的约291.6小时的语音，每个发言人至少有17小时的44.1kHz采样。

"Hi-Fi Multi-Speaker English TTS Dataset" Bakhturina, E., Lavrukhin, V., Ginsburg, B. and Zhang, Y., 2021: arxiv.org/abs/2104.01497.

9.kss

网址：

数据集描述：

Korean Single speaker SpeechDataset

中文数据集

aidatatang_200zh

网址：openslr.org

数据集描述：

数据集大小：aidatatang_200zh.tgz [18G]

北京数据堂科技有限公司的中文普通话语音语料库，包含来自 200 名说话者的 600 小时语音数据。每个句子的转录准确率大于 98%。属于演讲类别。

语料库的内容和相应的描述包括：

语料库包含200小时的声学数据，主要是移动记录的数据。

邀请了来自中国不同口音地区的600位演讲者参与录音。

每个句子的转录准确率大于 98%。

录音在安静的室内环境中进行。

数据库按7：1：2的比例分为训练集、验证集和测试集。

语音数据编码和说话人信息等详细信息保留在元数据文件中。

还提供了分段的成绩单。

该语料库旨在支持语音识别、机器翻译、声纹识别和其他语音相关领域的研究人员。因此，语料库完全免费供学术使用。

2.magicdata

网址：openslr.org

数据集描述：

该语料库由Magic Data Technology Co.， Ltd.提供，包含来自755名以中国大陆为母语的普通话母语人士的1080小时的脚本阅读语音数据。句子转录准确率高于98%。

train_set.tar.gz [52G] 训练集语音

dev_set.tar.gz [1.0G] 开发集语音

test_set.tar.gz [2.2G ] 测试集语音

metadata.tar.gz [3.8M] 补充材料信息

MAGICDATA普通话阅读语音语料库由MAGIC DATA开发科技有限公司，并免费发布用于非商业用途。

语料库的内容和相应的描述包括：

语料库包含 755 小时的语音数据，即主要是移动记录的数据。

来自中国不同口音地区的1080位发言者是受邀参与录制。

句子转录准确率高于98%。

录音在安静的室内环境中进行。

数据库分为训练集、验证集和测试以51：1：2的比例设置。

语音数据编码和说话人信息等详细信息是保留在元数据文件中。

记录文本的领域是多样化的，包括交互式问答、音乐搜索、SNS消息、家庭命令和控制等。

还提供了分段的成绩单。

该语料库旨在支持语音识别，机器方面的研究人员翻译、说话人识别和其他语音相关领域。因此语料库完全免费供学术使用。

3.aishell3

网址：openslr.org

数据集描述：

data_aishell3.tgz [19G]（语音数据和成绩单）

AISHELL-3是一款大规模、高保真多说话人普通话语料库由北京壳牌科技有限公司出版它可用于训练多扬声器文本到语音转换（TTS）系统。语料库包含大约 85 小时 218 位以中文为母语的普通话使用者说的情感中立录音总共 88035 条话语。他们的辅助属性，如性别、年龄组本地口音在语料库中明确标记和提供。因此提供汉字水平和拼音水平的成绩单以及录音。单词和语气转录准确率在98%以上，通过专业的语音注释和严格的音调和韵律质量检查。