speech_dataset

多语言语音识别与合成数据集详细介绍及应用

语音识别语音合成数据集开源多人语音识别 Github 开源项目

此页面总结了多语言语音数据集，包括中文、英文、日语、韩语、俄语等。涵盖了语音识别、语音合成、说话人识别和分离等应用领域，详细描述了每个数据集的时长、下载地址及其具体用途，帮助用户快速找到符合科研或项目需求的语音数据。

文档

Leaderboard - 多语言语音识别基准测试平台促进ASR系统评估

Github基准测试开源项目数据集模型评估语音识别

SpeechColab ASR leaderboard是一个开源的语音识别基准平台，集成测试集、模型集和标准化评估流程。平台提供多样化测试数据，涵盖广泛ASR场景，支持商业API和开源模型评估。它简化了ASR系统的基准测试、复现和验证过程，方便研究人员和开发者比较不同系统性能。通过统一的评估标准，该平台有助于推动语音识别技术的持续进步。

mandarin-tts - 模块化的中文文本到语音合成框架

AI绘图Githubgithubmandarin-ttsvocoder开源项目语音合成

mandarin-tts是一个模块化的中文文本到语音合成框架，适用于加速科研和产品开发。它的主要特点包括模块化配置、多样的声码器支持以及丰富的嵌入选项，如说话人、韵律和文本嵌入。此外，该框架还支持预测语音的持续时间、音调和能量变化，通过开源合作进一步拓展其功能。框架提供多数据集的音频样本和预训练模型，方便用户使用和进一步开发。此外通过正确使用专有名词，如YAML配置文件，并加入客观描述，提供高效的开发工具给研究人员和开发者。

Expressive-FastSpeech2 - 非自回归表情文本到语音合成技术

Expressive-FastSpeech2Github多语言支持对话TTS开源项目情感TTS非自回归TTS

Expressive-FastSpeech2是一个非自回归表情文本到语音（TTS）的研究项目，专注于emotional和conversational TTS。该项目使用AIHub多模态视频AI数据和IEMOCAP数据库进行韩语和英语的处理，并提供了不同语言适应和数据处理的指导。

ControlSpeech - 实现零样本语音克隆和风格控制的开源工具包

ControlSpeechGithub开源项目评估指标语言风格控制语音合成零样本说话人克隆

ControlSpeech是一个开源的语音合成项目，专注于实现零样本说话人克隆和语言风格控制。项目包含基线模型、VccmDataset数据集、评估指标和复现代码。通过解耦编解码器技术，ControlSpeech为研究人员和开发者提供了探索灵活语音合成的工具。该项目可应用于个性化语音助手、多语言配音等领域，为语音合成技术的研究和应用提供新的可能性。

awesome-synthetic-datasets - 大语言模型合成数据集资源汇总

CosmopediaGithubSelf-InstructTinyStories合成数据集大语言模型开源项目

该项目整理了大语言模型生成合成数据集的相关资源，包括教程、技术、数据集、工具和论文。涵盖TinyStories、Cosmopedia等数据集，以及Self-Instruct、AutoPrompt等技术，为AI研究和开发提供参考。

LibriTTS-P - 为语音合成和风格分析提供丰富注释的语料库

GithubLibriTTS-P开源项目语音合成语音控制语音数据集说话风格

LibriTTS-P是一个基于LibriTTS-R的语音语料库，为文本转语音和风格描述任务提供语音风格和说话者特征提示。该语料库结合人工和合成标注方法，为LibriTTS-R的所有说话者提供多样化的提示注释。研究表明，使用LibriTTS-P训练的TTS模型在自然度方面表现更佳，在风格描述任务中的准确词数是传统数据集的2.5倍。这一资源可能会促进语音合成和风格分析领域的研究进展。

StyleSpeech - 多说话人自适应文本转语音生成

GithubMeta-StyleSpeech开源项目文本到语音自适应音质预训练模型

Meta-StyleSpeech项目结合最新的多说话者适应性文本到语音合成技术，通过样本少量的语音输入即可生成高质量合成语音。该项目运用风格自适应层归一化技术，高效适配不同说话者的声音特征。提供预训练模型和在线演示供实际应用测试。

libriheavy - 大规模语音识别数据集，50,000小时带标点和上下文

GithubLibriheavy上下文开源项目数据集标点符号语音识别

Libriheavy是基于Librilight的大规模标注语音数据集，总时长达50,000小时。该数据集包含标点、大小写和上下文信息，适用于多种语音任务研究。Libriheavy提供完整版和ASR训练专用版本，支持多种数据格式。此外，项目还提供基线模型和性能排行榜，展示了在不同规模子集上的识别效果。研究人员可以通过简单步骤获取并使用这一丰富的语音识别资源。

Awesome-Talking-Head-Synthesis - 最新音频驱动和神经辐射场技术在数字人头像生成中的应用

3DGithubNeRFTalking Head Synthesis开源项目数据集音频驱动

这个项目收集了生成对抗网络(GANs)和神经辐射场(NeRF)在说话头合成领域的相关研究。内容包括图像和音频驱动的说话头生成技术、数据集、研究综述和代表性工作。从2D到3D、单模态到多模态,项目全面展示了说话头生成的技术发展,为相关研究提供参考资料。

overlapped-speech-detection - 开源重叠语音检测工具实现多人同时发言识别

GithubHuggingfacepyannote声纹分割开源项目模型语音识别语音重叠检测音频处理

开源重叠语音检测工具overlapped-speech-detection专注于识别音频中的多人同时发言片段，通过Python API接口快速部署实现。该工具基于神经网络技术，支持多种数据集训练，可应用于会议记录、课堂互动、多人访谈等场景的语音分析。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com