中文普通话语音数据合成数据

一、产品概述

中文普通话语音合成数据库共654小时65.7万条。录音文本涉及智能家居、无人驾驶、工业生产等15个领域。邀请1928名来自中国不同口音区域发音人参与录制。录制过程在安静室内环境中，使用高保真麦克风（44.1kHz，16bit）。TTS0006的音频数据来自和数据库。此数据库经过专业语音校对人员对数据做了拼音和声调的转写标注，并通过严格质量检验，文本准确率在97%以上。

二、录音语料

语料池的制作

语料池内容

考虑到语音识别在智能家居、无人驾驶、工业生产等领域的应用，语料在15个领域中选定分别以三个不同内容采集。

内容一 · 内容二 · ·

序号 · 领域 · 序号 · 领域

1 · 家居家电名称和控制命令 · 1 · 家居

2 · POI（地理信息） · 2 · POI

3 · 音乐类（语控） · 3 · 音乐类（语控）

4 · 数字类（语控） · 4 · 数字类（语控）

5 · 电视、电影名称 · 5 · 电视名称

6 · 财经 · 6 · 财经-政策

7 · 科技 · 7 · 财经-地产

8 · 体育 · 8 · 科技-国际

9 · 娱乐 · 9 · 科技-国内

10 · 时事新闻 · 10 · 体育

11 · 英文拼读 · 11 · 娱乐-欧美

· · 12 · 娱乐-港台

· · 13 · 时事新闻

· · 14 · 综合

· · 15 · 英文拼读

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。
• 删除 < , > , [ , ] , ～ , / , \ , = 等符号。
• 删除含有中文和英文以外语言的内容。
• 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、年龄段、籍贯。

任务编号 · 年龄区间 · 性别 · 口音区域

SSB0001 · B · 女 · 北方

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岁以下)、B(18-25岁)、C(26-45岁)、D(45岁以上)。性别：男-男性；女-女性。口音区域：按照发言人原生语言所属区域，分为北方、南方、其他。

发音人结构特征

性别比例

数据库总人数为1928人，男828人，女1100人。

性别 · 男性 · 女性 · 合计

比例 · 43% · 57% · 100%

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。发言人按照正常语速，朗读录音文本。

录制设备

录制设备包括高保真麦克风，本数据库数据存储格式为44.1kHz、16bit单声道。

录制方法

发音人距离高保真麦克风20厘米，以讲话正常音量，正常语速，朗读录音文本。Android系统手机与iOS系统手机分别与麦克风间隔20厘米布置。

五、标注转写规范

文本层数据转写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。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）句中出现的英文按照发音写出单词，如“thank you”。按拼读朗读的字母，需转写成大写字母加空格的形式。如，“N B A”、“U F O”。4）句中包含的符号，按实际发言人发音转写。如“三W点百度点com”。没有发音的符号，需要删掉。品牌名称，专有名称等按照实际惯用格式转写，如“QQ空间”、“iPhone”、“喜马拉雅”。5）标注内容的完整性要与实际发音一致，不得删减。拼音层数据转写根据听到的实际发音来标注拼音和声调，准则如下。1）1,2,3,4分别代表拼音声调，5代表轻声。例如：SSB00610358.wav到dao4时shi2我wo3会hui4联lian2系xi4你ni3SSB00610502.wav天tian1赐ci4良liang2缘yuan2家jia1具ju4商shang1场chang32）两个三声和三个三声的变调。如果是两个三声连在一起的情况，多数第一个音调会降为二声，例如：你好吗ni2 hao3 ma5、洗澡xi2 zao3、缓缓huan2 huan3但不是所有的音调都会降调，所以标注的内容都要以录音为准，不能以平时自己的读音做判断，需要根据实际语音读的来标注，听到的语音是几声就标几声。3）“一”“不”变调；“一”：本调为一声，在单念时即本调一声。“不”：本调为四声，在单念或在非四声音节处念本调四声。“一”“不”在四声前读二声，例如：“一”在四声前：一yi2半ban4、一yi2道dao4、一yi2律lv4；“不”在四声前：不bu2必bi4、不bu2但dan4、不bu2错cuo4；“一”在非四声前读四声的情况，例如：“一”在一声前：一yi4般ban1、一yi4些xie1、一yi4朝zhao1“一”在二声前：一yi4齐qi2、一yi4旁pang2、一yi4同tong2“一”在三声前：一yi4举ju3、一yi4手shou3、一yi4体ti3

六、产品目录结构

目录结构

数据目录结构数据目录结构

└─DOC（文本说明文件）
││├─wav_list.txt（音频列表）
││├─content.txt（语音文本内容）
││├─spk_info.xlsx（录音人信息）
│
└─SPEECHDATA（数据文件夹）
│├─SSB0001（录音人文件夹）
││ ││ SSB00010001.wav（音频文件）

命名规则

CORPUS/USAGE/SPEAKER_NUM/SPEECH_IDe.g./SPEECHDATA/SSB0001/SSB00010001.wav

目录名称 · 内容 · 备注

CORPUS · · 语音数据库编号

USAGE · SPEECHDATA · 文件夹名称

SPEAKER_NUM · SSB0001 · 录音人文件夹

SPEECH_ID · SSB00010001.wav · WAV文件

数据样例下载

点击下载数据样例（AISHELL-TTS0006_%E4%B8%AD%E6%96%87%E6%99%AE%E9%80%9A%E8%AF%9D%E8%AF%AD%E9%9F%B3%E6%95%B0%E6%8D%AE%E5%90%88%E6%88%90%E6%95%B0%E6%8D%AE_%E6%A0%B7%E4%BE%8B%E7%B2%BE%E7%AE%80%E7%89%88.zip）