ylacombe/libritts_r_tags_and_text

---
dataset_info:
config_name: clean
features:
- name: text
dtype: string
- name: text_original
dtype: string
- name: speaker_id
dtype: string
- name: path
dtype: string
- name: chapter_id
dtype: string
- name: id
dtype: string
- name: speaking_rate
dtype: string
- name: phonemes
dtype: string
- name: snr
dtype: float32
- name: c50
dtype: float32
- name: utterance_pitch_mean
dtype: float32
- name: utterance_pitch_std
dtype: float32
- name: gender
dtype: string
- name: pitch
dtype: string
- name: noise
dtype: string
- name: reverberation
dtype: string
- name: speech_monotony
dtype: string
splits:
- name: dev.clean
num_bytes: 3819908
num_examples: 5736
- name: test.clean
num_bytes: 3378369
num_examples: 4837
- name: train.clean.100
num_bytes: 22338154
num_examples: 33232
- name: train.clean.360
num_bytes: 79364103
num_examples: 116426
download_size: 40607343
dataset_size: 108900534
configs:
- config_name: clean
data_files:
- split: dev.clean
path: clean/dev.clean-*
- split: test.clean
path: clean/test.clean-*
- split: train.clean.100
path: clean/train.clean.100-*
- split: train.clean.360
path: clean/train.clean.360-*
---

数据集信息：
配置名称：clean
特征字段：
- 名称：text，数据类型：字符串型
- 名称：text_original，数据类型：字符串型
- 名称：speaker_id，数据类型：字符串型
- 名称：path，数据类型：字符串型
- 名称：chapter_id，数据类型：字符串型
- 名称：id，数据类型：字符串型
- 名称：speaking_rate，数据类型：字符串型
- 名称：phonemes，数据类型：字符串型
- 名称：snr（Signal-to-Noise Ratio），数据类型：32位浮点型
- 名称：c50，数据类型：32位浮点型
- 名称：utterance_pitch_mean，数据类型：32位浮点型
- 名称：utterance_pitch_std，数据类型：32位浮点型
- 名称：gender，数据类型：字符串型
- 名称：pitch，数据类型：字符串型
- 名称：noise，数据类型：字符串型
- 名称：reverberation，数据类型：字符串型
- 名称：speech_monotony，数据类型：字符串型
数据集划分：
- 划分名称：dev.clean，字节数：3819908，样本数量：5736
- 划分名称：test.clean，字节数：3378369，样本数量：4837
- 划分名称：train.clean.100，字节数：22338154，样本数量：33232
- 划分名称：train.clean.360，字节数：79364103，样本数量：116426
下载总大小：40607343
数据集总大小：108900534
配置项：
- 配置名称：clean
数据文件映射：
- 划分集：dev.clean，文件路径：clean/dev.clean-*
- 划分集：test.clean，文件路径：clean/test.clean-*
- 划分集：train.clean.100，文件路径：clean/train.clean.100-*
- 划分集：train.clean.360，文件路径：clean/train.clean.360-*

原始信息汇总

数据集概述

配置名称

• clean

特征信息

• text: 字符串类型
• text_original: 字符串类型
• speaker_id: 字符串类型
• path: 字符串类型
• chapter_id: 字符串类型
• id: 字符串类型
• speaking_rate: 字符串类型
• phonemes: 字符串类型
• snr: 浮点数类型 (float32)
• c50: 浮点数类型 (float32)
• utterance_pitch_mean: 浮点数类型 (float32)
• utterance_pitch_std: 浮点数类型 (float32)
• gender: 字符串类型
• pitch: 字符串类型
• noise: 字符串类型
• reverberation: 字符串类型
• speech_monotony: 字符串类型

数据分割

• dev.clean:
  • 字节数: 3819908
  • 样本数: 5736
• test.clean:
  • 字节数: 3378369
  • 样本数: 4837
• train.clean.100:
  • 字节数: 22338154
  • 样本数: 33232
• train.clean.360:
  • 字节数: 79364103
  • 样本数: 116426

数据大小

• 下载大小: 40607343 字节
• 数据集大小: 108900534 字节

配置文件路径

• dev.clean: clean/dev.clean-*
• test.clean: clean/test.clean-*
• train.clean.100: clean/train.clean.100-*
• train.clean.360: clean/train.clean.360-*

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结构化组织是模型性能提升的基石。ylacombe/libritts_r_tags_and_text数据集基于广受认可的LibriTTS-R语料库构建，通过系统性地提取与整合多维度声学与语言特征而形成。该数据集仅包含‘clean’配置，涵盖了文本内容、原始文本、说话人标识、音频路径、章节编号、唯一ID、语速、音素序列、信噪比、混响时间C50、基频均值与标准差、性别、基频类别、噪声类型、混响类型以及语音单调性等丰富字段。数据被划分为dev.clean、test.clean、train.clean.100和train.clean.360四个子集，分别对应5736、4837、33232和116426条样本，确保了从开发测试到大规模训练的多层次覆盖。

特点

该数据集的核心特色在于其精细的声学与韵律标签体系，为语音合成研究提供了前所未有的细粒度控制。除常规的文本与说话人信息外，数据集创新性地引入了speaking_rate、phonemes、snr、c50、utterance_pitch_mean、utterance_pitch_std等客观声学指标，以及pitch、noise、reverberation、speech_monotony等主观感知标签。这种多维标注使得研究者能够精准量化语音信号中的韵律变化、环境噪声与房间效应，从而支持对合成语音自然度与表现力的深度建模。数据集的纯英文内容与多说话人结构，使其特别适用于跨说话人风格迁移、情感语音合成及鲁棒性文本转语音系统的开发。

使用方法

在数据集应用层面，用户可通过Hugging Face Datasets库便捷加载指定子集，例如使用load_dataset('ylacombe/libritts_r_tags_and_text', 'clean', split='train.clean.360')获取大规模训练数据。数据以parquet格式存储，支持高效的流式读取与内存管理。研究者可灵活利用text字段作为TTS模型的输入文本，结合phonemes进行音素级对齐训练，或借助speaker_id与gender实现多说话人建模。声学标签如snr和c50可用于数据筛选或作为条件特征输入，而pitch、noise等感知标签则适用于风格控制与后处理模块的优化。此外，数据的结构化字段设计便于与PyTorch、TensorFlow等框架无缝集成，加速模型迭代实验。

背景与挑战

背景概述

LibriTTS-R数据集由Google Research等机构的研究人员于2023年发布，是经典LibriTTS数据集的增强版本，旨在为文本到语音合成提供更高质量的语音数据。该数据集从LibriVox有声读物中提取，经过精细的噪声抑制、去混响和音量归一化处理，显著提升了音频的清晰度和自然度。核心研究问题聚焦于在保持多说话人语音多样性的同时，实现高保真度的语音合成。通过引入信噪比、混响时间等声学标签，LibriTTS-R为语音合成、语音转换及声学建模等领域提供了标准化基准，推动了端到端语音合成系统的发展，并在学术界与工业界产生了广泛影响。

当前挑战

数据集面临的核心挑战之一在于语音合成领域中对自然韵律和情感表达的建模。尽管LibriTTS-R提供了丰富的声学标签如音高、语速和噪声等级，但如何从文本中准确预测这些韵律特征并生成具有表现力的语音仍是难题。构建过程中，研究人员需应对多源有声读物录音中背景噪声、混响和说话风格不一致等问题，通过复杂的信号处理流程实现音频质量提升，同时避免引入人工伪影。此外，数据集包含多个子集（如clean.100和clean.360），如何在不同规模下保持标注一致性与模型泛化能力，也是后续研究需要持续攻克的障碍。

常用场景

经典使用场景

ylacombe/libritts_r_tags_and_text数据集作为LibriTTS-R的增强版本，在语音合成与声学建模领域占据重要地位。其核心应用场景聚焦于多维度语音属性可控的文本转语音（TTS）系统构建，通过提供精细化的韵律标签（如语速、音高、信噪比、混响等）与音素序列，研究者得以训练出能够模拟不同说话风格、情感状态及环境噪声的神经网络声码器与端到端合成模型。该数据集尤为适合开展基于条件变分自编码器或扩散模型的语音生成研究，其丰富的标注信息使得对语音韵律、音色及背景噪声的独立调控成为可能，进而推动个性化语音助手与动态语音交互系统的发展。

实际应用

在实际产业应用中，该数据集支撑着智能语音交互系统的核心模块开发。基于其标签体系训练的TTS模型，可被直接部署于智能音箱、车载导航及有声读物制作平台，实现根据用户偏好动态调整语速、音高及背景噪声的个性化语音输出。例如，在嘈杂环境中自动提升语音清晰度，或为不同年龄层听众生成适配的朗读风格。此外，该数据集还助力于语音辅助技术升级，如为视障用户提供可调节播放速度与音调的文本朗读服务，以及为影视配音行业提供快速生成指定情感与场景声学特征的合成语音工具，从而大幅降低后期制作成本。

衍生相关工作

该数据集催生了一系列具有影响力的衍生研究工作。在模型层面，研究者基于其标签结构提出了诸如FastSpeech 2的韵律预测扩展版本，以及能够联合建模音高与语速的VITS改进架构。在方法学上，该数据集被用于验证对比预测编码（CPC）在语音表征学习中的有效性，并推动了面向低资源语言的跨说话人韵律迁移研究。此外，部分工作利用其丰富的噪声与混响标注，探索了语音增强与语音合成联合优化的新范式，例如通过对抗训练分离背景噪声与目标语音的生成模型。这些成果不仅深化了对语音生产机制的理解，也为下一代高表现力TTS系统的设计提供了实证支撑。