ppisljar/artur_studio_tts

TTS斯洛文尼亚数据集包含40小时的单一说话者的录音，这些录音是从ASR数据库ARTUR 1.0中提取的，仅包含说话者G0911的录音，并且去除了没有转录的录音。所有录音都被重新采样为22050Hz 16bit的wav格式。数据集的元数据文件metadata.txt包含了每个文件的转录信息，格式为文件名（无扩展名）|说话者姓名|转录文本。转录文本中移除了一些特殊字符，最终使用的字符集包括：!",.:?@abcdefghijklmnopqrstuvwxzčđšž（以及大写字母）。

The Slovenian TTS dataset contains 40 hours of single-speaker recordings extracted from the ASR database ARTUR 1.0, exclusively comprising recordings of speaker G0911, with recordings lacking transcriptions removed. All recordings have been resampled to the 22050Hz 16-bit WAV format. The dataset's metadata file metadata.txt stores the transcription information for each file, following the format: filename (without extension)|speaker name|transcription text. Certain special characters have been removed from the transcription texts, and the final adopted character set includes: !",.:?@abcdefghijklmnopqrstuvwxzčđšž (along with their uppercase counterparts).

原始信息汇总

TTS Slovenian Dataset Summary

Dataset Overview

• Content: 40 hours of studio recordings from a single speaker.
• Speaker: Speaker G0911.
• Audio Format: Resampled to 22050Hz, 16bit wav.
• Transcriptions: Included in metadata.txt in the format FILENAME_WITHOUT_EXTENSION|SPEAKER_NAME|TRANSCRIPTION.
• Alphabet: Final alphabet includes: !",.:?@abcdefghijklmnopqrstuvwxzčđšž (and uppercase).

Dataset Processing

• Recordings: Only studio recordings included.
• Transcriptions: Recordings without transcriptions were removed.
• Special Characters: Some special characters were removed from transcriptions.

Licensing

• License: CC-BY-3.0.

搜集汇总

数据集介绍

构建方式

在语音合成（TTS）领域，高质量的单说话人录音数据集是构建自然流畅合成语音的基石。ppisljar/artur_studio_tts数据集源自斯洛文尼亚语资源库CLARIN.SI中的ASR数据库ARTUR 1.0，专注于提取其中单一说话人G0911的录音室录制内容。原始数据经过严格筛选，剔除了缺少对应文本标注的录音片段，并统一重采样为22050Hz采样率、16比特位深的WAV格式，确保音频质量的一致性与模型训练的兼容性。文本标注以元数据文件形式呈现，每条记录包含不带扩展名的文件名、说话人标识及对应转录文本，同时移除了部分特殊字符，最终保留的字母表涵盖了斯洛文尼亚语所需的全部字符及标点符号。

特点

该数据集最显著的特点在于其纯净性与专一性：完全由同一说话人在录音室环境下录制，总时长约40小时，有效避免了多说话人混合带来的音色偏移与背景噪声干扰，为斯洛文尼亚语TTS模型提供了理想的训练素材。音频与文本的精确对齐保证了监督学习的可靠性，而经过简化的字符集降低了模型输出层的复杂度。此外，数据集源自权威语言资源库，具有明确的学术引用来源，便于研究者在论文中规范引用。其规模在斯洛文尼亚语TTS数据集中较为罕见，为构建高表现力的合成语音奠定了数据基础。

使用方法

使用该数据集时，可直接加载metadata.txt文件，按行解析以获取音频文件路径与对应文本。推荐采用基于深度学习的TTS框架，如Tacotron2、FastSpeech或VITS，将重采样后的22050Hz波形作为输入。由于数据集已进行标准化预处理，无需额外音频清洗步骤。研究者可根据需要划分训练集与验证集，例如随机抽取10%作为验证。模型输出时，需注意使用数据集定义的字母表进行字符编码，避免出现未登录字符。最终生成的合成语音可通过声码器（如HiFi-GAN）转换为高质量波形，实现斯洛文尼亚语的流畅朗读。

背景与挑战

背景概述

在语音合成（Text-to-Speech, TTS）领域，高质量、多语种的数据集是推动技术发展的基石。ppisljar/artur_studio_tts数据集由Darinka Verdonik等研究人员于2023年创建，源自斯洛文尼亚语言资源库CLARIN.SI的ASR数据库ARTUR 1.0。该数据集专注于斯洛文尼亚语的单说话人录音，包含40小时的录音室采集音频，采样率为22050Hz，位深16位，确保了语音信号的纯净度与保真度。其核心研究问题在于为斯洛文尼亚语这一低资源语言提供高质量的TTS训练样本，填补了该语种在语音合成领域的空白。该数据集的影响力体现在为斯洛文尼亚语的语音助手、无障碍通信及语言技术研究提供了关键基础设施，促进了小语种在人工智能时代的数字化生存与传播。

当前挑战

该数据集所面对的挑战首先源于斯洛文尼亚语作为低资源语言的固有困境：语料稀缺、标注成本高，且语音合成模型通常依赖大量高质量数据才能生成自然流畅的语音，而40小时的单说话人录音虽属优质，但相较于英语等主流语言动辄数百小时的数据规模，仍显不足。其次，构建过程中需从原始ASR数据库中筛选出仅包含说话人G0911的录音室片段，并移除无转录的录音，这一步骤可能因原始标注的噪声或缺失而引入不一致性。此外，转录文本中特殊字符的剔除操作（如保留有限字母表!\",.:?@abcdefghijklmnopqrstuvwxzčđšž）虽简化了建模，但也可能丢失语调、停顿等韵律信息，影响合成语音的自然度与表现力。数据集的单说话人特性进一步限制了模型在多样化应用场景中的泛化能力。

常用场景

经典使用场景

在语音合成领域，ppisljar/artur_studio_tts数据集为斯洛文尼亚语的高质量文本到语音（TTS）模型训练提供了珍贵的单说话人录音资源。该数据集包含40小时的专业录音棚录制内容，采样率为22050Hz，位深为16位，确保了音频的保真度和纯净度。研究者常将其用于构建基于深度学习的声学模型，例如Tacotron2、FastSpeech或VITS等架构，通过元数据中的文本-音频对齐信息，实现从文本到自然语音的端到端映射。其简洁的元数据格式（文件名-说话人-转录文本）降低了预处理门槛，使得聚焦于语音生成算法的研究者能够快速投入模型训练与优化。

解决学术问题

该数据集的核心学术贡献在于填补了斯洛文尼亚语在高质量语音合成研究中的资源空白。此前，低资源语言的TTS系统常因缺乏清洁、标准化的录音数据而面临音质粗糙、韵律不自然等瓶颈。ARTUR Studio TTS通过提供单一说话人、专业录音棚环境下的长时长语料，使得研究者能够系统性地探究小语种语音的声学特征建模问题，例如音素序列到频谱参数的映射、韵律预测的跨语言迁移等。其发布推动了低资源语言语音合成从规则驱动向数据驱动范式的转变，为构建包容性更强的多语言语音交互系统奠定了数据基础。

衍生相关工作

基于此数据集，学术界已衍生出多项代表性工作。例如，研究者将其作为斯洛文尼亚语TTS基线系统的基础，在ICASSP、InterSpeech等会议上发表了关于低资源语言语音合成的跨语言迁移学习研究。另有工作利用该数据集的干净录音，结合数据增强技术（如加噪、变速）构建鲁棒性更强的多条件语音合成模型。此外，该数据集还被纳入CLARIN.SI语言资源库，成为欧洲多语言语音技术评估基准的一部分，支撑了诸如语音识别与合成联合训练、说话人自适应等前沿方向的探索。其开源协议（CC-BY-3.0）进一步促进了学术社区内的资源共享与成果复现。