ylacombe/cml-tts
收藏资源简介：
CML-TTS是一个多语言的文本到语音（TTS）数据集，由巴西联邦大学的人工智能卓越中心（CEIA）开发。数据集包含来自Project Gutenberg的公共领域书籍的录音，由LibriVox项目的志愿者朗读。数据集支持荷兰语、德语、法语、意大利语、波兰语、葡萄牙语和西班牙语，采样率为24kHz。数据集的主要用途是训练文本到语音模型。
CML-TTS is a multilingual Text-to-Speech (TTS) dataset developed at the Center of Excellence in Artificial Intelligence (CEIA) of the Federal University of Goias (UFG). The dataset includes audio recordings from public domain books read by volunteers from the LibriVox project in multiple languages such as Dutch, German, French, Italian, Polish, Portuguese, and Spanish. The dataset supports tasks like text-to-speech and text-to-audio. It is structured with various features like audio, text, speaker_id, transcript_wav2vec, wav_filesize, levenshtein, duration, and num_words. The dataset is available in different splits for training, development, and testing. The README also provides instructions on how to use the dataset with the HuggingFace `datasets` library, including examples for both local and streaming modes.
数据集卡片 CML-TTS
数据集描述
数据集摘要
CML-TTS 是一个多语言文本到语音（TTS）数据集，由联邦大学戈亚斯（UFG）的人工智能卓越中心（CEIA）开发。该数据集包含从古腾堡计划（Project Gutenberg）的公共领域书籍中提取的音频书籍，由 LibriVox 项目的志愿者朗读。数据集包括荷兰语、德语、法语、意大利语、波兰语、葡萄牙语和西班牙语的录音，所有录音的采样率为 24kHz。
支持的任务
text-to-speech,text-to-audio: 该数据集可用于训练文本到语音（TTS）模型。
语言
数据集包括荷兰语、德语、法语、意大利语、波兰语、葡萄牙语和西班牙语的录音，所有录音的采样率为 24kHz。
数据集结构
数据实例
一个典型的数据点包括音频文件的路径、转录文本、说话者信息和其他相关信息。
json { "audio": {"path": "6892_8912_000729.wav", "array": [...], "sampling_rate": 24000}, "wav_filesize": 601964, "text": "Proszę pana, tu pano... zdziwiony", "transcript_wav2vec": "proszę pana tu panow... zdziwiony", "levenshtein": 0.96045197740113, "duration": 13.648979591836737, "num_words": 29, "speaker_id": 6892 }
数据字段
audio: 包含音频文件名、解码后的音频数组和采样率的字典。text: 音频文件的转录文本。speaker_id: 说话者的唯一标识符。transcript_wav2vec: 使用 wav2vec 模型的音频文件转录文本。wav_filesize: 音频波形文件的大小。levenshtein: wav2vec 转录文本与原始转录文本之间的 Levenshtein 距离。duration: 音频的持续时间（秒）。num_words: 转录文本中的单词数量。
数据分割
| 语言 | 训练集样本数 | 开发集样本数 | 测试集样本数 |
|---|---|---|---|
| 荷兰语 | 309785 | 4834 | 4570 |
| 法语 | 107598 | 3739 | 3763 |
| 德语 | 608296 | 5314 | 5466 |
| 意大利语 | 50345 | 1765 | 1835 |
| 波兰语 | 18719 | 853 | 814 |
| 葡萄牙语 | 34265 | 1134 | 1297 |
| 西班牙语 | 168524 | 3148 | 3080 |
数据统计
| 语言 | 训练集时长 (小时) | 测试集时长 (小时) | 开发集时长 (小时) | 训练集说话者数 | 测试集说话者数 | 开发集说话者数 |
|---|---|---|---|---|---|---|
| 荷兰语 | 482.82 | 2.46 | 2.24 | 8 | 3 | 2 |
| 法语 | 260.08 | 2.48 | 3.31 | 25 | 8 | 10 |
| 德语 | 1128.96 | 3.75 | 4.31 | 78 | 13 | 13 |
| 意大利语 | 73.78 | 1.47 | 0.40 | 23 | 5 | 4 |
| 波兰语 | 30.61 | 0.70 | 0.56 | 4 | 2 | 2 |
| 葡萄牙语 | 23.14 | 0.28 | 0.68 | 20 | 5 | 6 |
| 西班牙语 | 279.15 | 2.77 | 3.40 | 35 | 10 | 11 |
| 总计 | 3176.13 | 28.11 | 29.19 | 424 | 94 | 95 |
数据集创建
数据集来源
数据集的音频书籍来自古腾堡计划（Project Gutenberg）的公共领域书籍，由 LibriVox 项目的志愿者朗读。
个人和敏感信息
数据集包含在线捐赠语音的人。您同意不尝试确定此数据集中说话者的身份。
使用数据的注意事项
数据集的社会影响
[需要更多信息]
偏见的讨论
[需要更多信息]
其他已知限制
[需要更多信息]
附加信息
数据集许可信息
公共领域，Creative Commons Attribution 4.0 国际公共许可证（CC-BY-4.0）
引用信息
@misc{oliveira2023cmltts, title={CML-TTS A Multilingual Dataset for Speech Synthesis in Low-Resource Languages}, author={Frederico S. Oliveira and Edresson Casanova and Arnaldo Cândido Júnior and Anderson S. Soares and Arlindo R. Galvão Filho}, year={2023}, eprint={2306.10097}, archivePrefix={arXiv}, primaryClass={eess.AS} }
