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：

1. ID：这是对应.wav文件的名称

1. 转录：读者说出的单词 （UTF-8）

1. 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

1. 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。

4.biaobei

网址 ：标贝数据集男声版 - 飞桨AI Studio (baidu.com)

数据集描述：

数据集只包含1万的wav文件，采样率为16K，关于语音对应的文本需通过其他途径获取。

5. MozillaCommonVoice

网址 ：Common Voice (mozilla.org)

数据集描述：

包含很多语种。

6.data_aishell

网址 ：openslr.org

数据集描述：

data_aishell.tgz [15G]（语音数据和成绩单 ）

resource_aishell.tgz [1.2M ]（ 补充资源，包括词典、演讲者信息 ）

Aishell是一个开源的中文普通话语料库，由 北京贝壳科技有限公司

邀请来自中国不同口音地区的400人参加 参与录音，在安静的室内进行 环境使用高保真麦克风并下采样至 16kHz。 人工抄录准确率95%以上，通过专业 语音标注和严格的质量检查。数据是免费的 供学术使用。我们希望为新的提供适量的数据 语音识别领域的研究人员。