音频普通话

中文多人合成数据库

数据集介绍

一、产品概述

中文多人语音合成数据库共12.76小时，12519条语音。录音语言，中文；录音地区，中国。邀请41名专业发音人在专业录音棚进行录制。录音设备为高保真，音频采样率为48kHz，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

此数据库录音文本采用每份平均300句，相关处理如下：⚫ 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30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、年龄区间。

任务编号 · 性别 · 年龄区间

W0001 · 男 · 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。年龄区间：A(18-25岁)、B(26-36岁)。

发音人结构特征

性别比例

数据库总人数为41人，男14人，女27人。

性别 · 男性 · 女性 · 合计

比例 · 34% · 66% · 100%

年龄比例

A(18-25岁)；B(26-40岁)。

· 年龄段 · 人数 · 比例

A · 18-25岁 · 17 · 41.5%

B · 26-36岁 · 24 · 58.5%

合计 · 100 · 100% ·

四、数据录制环境

录制环境

专业的录音棚进行录制，环境底噪小于35dBSPL，混响时间小于150ms。

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、语速自然朗读录音文本。语音振幅不高于-3dBFS，不低于-9dBFS。无截幅和喷麦。

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）标注内容的完整性要与实际发音一致，不得删减。4）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。5）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。