GrigoriiA/libritts_r_tags

---
dataset_info:
features:
- name: file_name
dtype: string
- name: text
dtype: string
- name: transcription_normalised
dtype: string
- name: utterance_pitch_mean
dtype: float32
- name: utterance_pitch_std
dtype: float32
- name: snr
dtype: float64
- name: c50
dtype: float64
- name: speaking_rate
dtype: string
- name: phonemes
dtype: string
- name: noise
dtype: string
- name: reverberation
dtype: string
- name: speech_monotony
dtype: string
splits:
- name: train
num_bytes: 7714196
num_examples: 20972
download_size: 4050129
dataset_size: 7714196
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

特征信息

• 文件名: file_name (字符串类型)
• 文本内容: text (字符串类型)
• 标准化转录: transcription_normalised (字符串类型)
• 平均音高: utterance_pitch_mean (浮点数类型, 32位)
• 音高标准差: utterance_pitch_std (浮点数类型, 32位)
• 信噪比: snr (浮点数类型, 64位)
• C50: c50 (浮点数类型, 64位)
• 语速: speaking_rate (字符串类型)
• 音素: phonemes (字符串类型)
• 噪声: noise (字符串类型)
• 混响: reverberation (字符串类型)
• 语音单调性: speech_monotony (字符串类型)

数据分割

• 训练集: train
  • 字节数: 7714196
  • 样本数: 20972

数据集大小

• 下载大小: 4050129 字节
• 数据集大小: 7714196 字节

配置信息

• 配置名称: default
  • 数据文件:
    • 分割: train
    • 路径: data/train-*

搜集汇总

数据集介绍

构建方式

在语音合成与声学建模的研究领域中，数据集的精细标注与多维度特征覆盖是推动模型性能提升的关键。GrigoriiA/libritts_r_tags数据集基于LibriTTS语料库构建，通过系统性地提取与标注语音信号的声学与语言特征，形成了一套结构化的标签体系。具体而言，数据集的构建过程包括对每条语音样本提取音高均值与标准差、信噪比、混响时间C50、语速等级以及音素序列等特征，同时辅以噪声、混响和语音单调性等感知层面的分类标签。所有特征均以标准化格式存储，确保数据的一致性与可复现性，为后续研究提供了高质量的基准资源。

特点

该数据集的核心特点在于其多维度的标签设计，涵盖了从底层声学参数到高层感知属性的全面信息。每条样本不仅包含原始文本与规范化转录，还提供了音高统计量、信噪比、混响时间、语速分类等定量指标，以及噪声、混响、语音单调性等定性标签。这种复合型特征体系使得数据集能够支持多样化的研究任务，例如语音质量评估、韵律分析、音色转换以及多风格语音合成。此外，数据集以紧凑的Parquet格式存储，包含约2万个训练样本，兼顾了数据规模与处理效率，为学术研究与工业应用提供了便利。

使用方法

使用该数据集时，研究者可直接通过Hugging Face Datasets库加载默认配置，利用data_files参数指定训练分片路径即可快速获取数据。每条样本以字典形式返回，字段包括文件名、文本、音高特征、信噪比、混响时间、语速、音素序列及感知标签等。在模型训练中，可依据具体任务选择相关特征作为输入或标签，例如将音高与语速信息用于条件式语音生成，或将噪声与混响标签用于语音增强模型的训练。数据集的设计充分考虑了下游任务的灵活性，支持通过过滤或组合标签来构建定制化的训练子集，从而适配不同应用场景的需求。

背景与挑战

背景概述

LibriTTS-R Tags数据集由研究者GrigoriiA等人构建，旨在为语音合成与语音处理领域提供精细化的标注资源。该数据集基于LibriTTS-R语料库，通过提取音高均值、标准差、信噪比、混响时间、语速及情感单调性等多维声学特征，并辅以音素序列与噪声类型标签，为探索自然语音中的韵律与声学变异提供了结构化支撑。其核心研究问题聚焦于如何利用细粒度标签提升文本到语音系统的表现力与自然度，尤其在多说话人、多风格场景下。自发布以来，该数据集在语音质量评估、可控语音合成及语音增强等任务中展现出重要影响力，推动了基于标签条件生成模型的发展，成为连接声学特征与语言学表征的关键桥梁。

当前挑战

当前数据集面临的核心挑战包括：1) 领域问题层面，语音合成中难以精确建模韵律与情感的动态变化，现有模型常因缺乏对音高、语速等声学参数的解耦控制而生成机械感语音，而LibriTTS-R Tags的标签虽提供多维信息，但如何有效融合这些异构特征（如离散的语速类别与连续的SNR值）以指导生成仍是难点。2) 构建过程中，数据标注依赖自动提取工具（如音高追踪与混响估计），其误差可能引入噪声标签，尤其在低信噪比或快速语速片段中；同时，20972条样本的规模限制了复杂模型对罕见声学模式的泛化能力，且标签间的相关性（如高语速与高音高）未显式建模，可能导致多条件控制时的冲突与冗余。

常用场景

经典使用场景

LibriTTS-R Tags数据集以LibriTTS-R语料库为基础，通过精细标注的声学特征和语音属性标签，为多维度语音分析与合成研究提供了标准化的数据支撑。该数据集最经典的使用场景集中于文本到语音（TTS）系统中的韵律与音质可控生成，研究者可利用其提供的基频均值与标准差、信噪比、混响时间、语速等标签，训练模型在保持自然度的前提下精准调节语音风格。同时，该数据集亦广泛应用于语音情感识别、说话人属性分析以及噪声鲁棒性研究，成为连接低层声学特征与高层语音感知的桥梁。

解决学术问题

该数据集有效解决了语音合成领域长期存在的两大核心问题：其一是自然语音中韵律特征的量化表征难题，通过引入utterance_pitch_mean与utterance_pitch_std等连续参数，使得模型能够学习到音高动态变化的统计规律；其二是语音质量与可懂度的联合建模困境，借助snr与c50指标，为去混响和降噪算法提供了可靠的监督信号。此外，speaking_rate与speech_monotony标签的引入，使得语速单调性这一主观感知维度得以客观化，推动了语音情感计算与个性化TTS的学术进展。这些精心设计的标签体系，显著提升了跨说话人、跨场景语音生成的可控性与保真度。

衍生相关工作

该数据集衍生出一系列具有影响力的研究工作，包括基于韵律标签的端到端TTS模型（如FastSpeech与VITS的韵律控制变体）、面向语音质量评估的深度学习框架（如基于snr与c50的MOS预测器），以及融合语速与单调性的情感语音生成方法。此外，研究者还利用其phomemes标签开发了音素级时长预测模型，显著提升了多说话人语音合成的节奏自然度。这些工作不仅验证了标签设计的有效性，更推动了语音技术在无障碍通信、远程教育等领域的落地应用，形成了从数据标注到模型优化再到场景部署的完整研究链条。