音频普通话

情感语音合成数据库

数据集介绍

一、产品概述

中文情感语音合成数据库共40小时。录音语言，中文；录音地区，中国。以中国北方口音区域为主邀请109名发音人参与录制。其中100名录音人分别录制悲伤、愤怒、恐惧、快乐、中性5种情绪，9人分别录制悲伤、愤怒、快乐、惊讶和中性共5种情感。安静录音室录制，设备覆盖高保真，音频采样率为48kHz&44.1kHz & 16kHz，比特率16bit。此数据库经过专业语音校对人员转写标注，标注包含字、拼音以及韵律，并通过严格质量检验，文本正确率达到99%。

二、录音语料

语料池的制作

录音文本的结果设计

此数据库录音文本前100位录音人采用每份300句，每种情绪60句的分配方式设计，从语料池中抽取，新增9人以每人每个情感260句，结构如下。

序号 · 情绪 · 备注(001~100)

1 · sad · 0001-0060

2 · angry · 0061-0120

3 · fear · 0121-0180

4 · happy · 0181-0240

5 · neutral · 0241-0300

序号 · 情绪 · 备注(101~-109)

1 · sad · 0001-0260

2 · angry · 0261-0520

3 · amaze · 0521-0780

4 · happy · 0781-1040

5 · neutral · 1041-1300

语料池处理

脱敏处理。删除政治敏感、个人隐私、色情暴力等内容。
音素覆盖全面。
删除 < , > , [ , ] , ～ , / , \ , = 等符号。
删除含有中文和英文以外语言的内容。
删除单句含有25字以上的内容。
统一格式。

三、发音人信息

基本信息记录

发音人信息记录内容包括任务编号、性别、口音区域、年龄区间。

任务编号 · 性别 · 口音区域 · 年龄区间

W0001 · 男 · 北方 · A

任务编号：每个发言人领取1个任务编号，每个任务编号对应1份录音文本。每个发言人只能参加一次录制。口音区域：按照发言人原生语言所属区域划分。年龄区间：A(18-25岁)、B(26-40岁)、C(41岁以上)。

发音人结构特征

性别比例

数据库总人数为109人，男55人，女54人。

性别 · 男性 · 女性 · 合计

比例 · 50.5% · 49.5% · 100%

· 年龄段 · 人数 · 比例

A · 18-25岁 · 85 · 78.1%

B · 26-40岁 · 16 · 14.7%

C · > 41岁 · 8 · 7.2%

合计 · 109 · 100% ·

年龄比例

A(18-25岁)；B(26-40岁)；C(41岁以上)。

四、数据录制环境

录制环境

安静室内，不包括明显的其他人说话声音及其他噪音，无回音，信噪比达到30db以上。发言人按照正常语速，朗读录音文本。101~109人在专业录音棚录制。

录制设备

录制设备为高保真。

录制方法

发音人距离设备20～30厘米，正常音量、语速朗读录音文本。

五、语音数据转写

数据转写人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。一般准则如下：1）转写的内容必须和听到的语音完全一致，不能多字、少字、错字。2）数字要转写为汉字形式, 如“一二三”，而不是“123”。注意区分“一”和“幺”，“二”和“两”。3）音频中有英文发音的应写成相应的汉字或英文。具体分为以下几种情况：网址中包含的所有的字母或单词，均为大写。例如：发音内容为”www.abc.com”, 应转写为“三W点A B C点com”发音中包含的英文单词，转写时全部为小写；包含的英文字母，转写时全部为大写。对于一些大写专有名词，或者一些英文缩写全部大写加空格，例如：C E O、C C T V等。4）标注��容的完整性要与实际发音一致，不得删减。5）拼音以及声调根据实际发音转写，拼音和文本需一致，并考虑变调以及儿化音，如以下情况：拼音应与实际发音一致，如“这”分清楚读的是“zhe4”还是“zhei4”等。上声的变调，33变调：了解23；333变调：展览馆223、很勇敢323。多个上声3要根据紧密程度，划分出语义停顿，再根据上述规则进行变调。“一、不”变调：单念或语句末尾声调不变；去声4前变为2等。儿化音在原来音节加上“r”即可，如花儿 -huar。6）韵律标注包含韵律词（#1）、韵律短语（#2）、语调短语（#3）以及语调组边界（#4），音频与语法不一致的情况，以实际音频发音为准；相邻两级之间难以确定的情况，采取低一级标注。