LibriTTS-P

LibriTTS-P

为语音合成和风格分析提供丰富注释的语料库

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。

LibriTTS-P语音合成说话风格语音数据集语音控制Github开源项目

LibriTTS-P:一个带有说话风格和说话人身份提示的文本转语音和风格描述语料库

我们介绍了LibriTTS-P,这是一个基于LibriTTS-R的新语料库,包含了句级别的说话风格描述(即提示)和说话人级别的说话人特征提示。我们采用混合方法构建提示注释:(1)捕捉人类对说话人特征感知的人工注释和(2)关于说话风格的合成注释。与现有的英语提示数据集相比,我们的语料库为LibriTTS-R的所有说话人提供了更多样化的提示注释。基于提示的可控TTS实验结果表明,使用LibriTTS-P训练的TTS模型比使用传统数据集的模型实现了更高的自然度。此外,风格描述任务的结果显示,利用LibriTTS-P的模型生成的准确词数是使用传统数据集的模型的2.5倍。

您可以查看论文演示页面

文件详情

data目录下有与LibriTTS-P相关的文件。 各文件的详细信息如下:

  • df1_en.csvdf2_en.csvdf3_en.csv
    • 分别为注释者1、注释者2和注释者3的说话人提示数据。
  • excluded_spk_list.txt
    • 我们发现在LibriTTS-R中,有些具有相同spk_id的语音样本明显性别不同。这是一个列出这些spk_id的文本文件。我们建议在使用我们的数据集时排除这些。
  • unannotated_spk_list.txt
    • "libritts_r_failed_speech_restoration_examples.tar.gz"(参见LibriTTS-R引用)中列出的音频文件在说话人提示注释过程中被排除。结果导致三位说话人没有合适的音频文件可供注释。因此,我们在这个文本文件中记录了这些spk_id。我们建议在使用说话人提示时排除这些说话人。
  • style_prompt_candidates_v230922.csv
    • 此文件包含style_prompt_key(例如,M_p-low_s-slow_e-low)和相应的风格提示选项,用分号分隔。
    • style_prompt_key由四个风格因素组成:
      • 性别:M/F
      • 音高:低/正常/高
      • 说话速度:慢/正常/快
      • 音量:低/正常/高
    • 例如,"M_p-low_s-slow_e-low"表示以下含义:
      M:男性
      p-low:音高低
      s-slow:说话速度慢
      e-low:音量低
      
  • metadata_w_style_prompt_tags_v230922.csv
    • 此文件包含每个音频文件的元数据。例如,通过使用此文件和style_prompt_candidates_v230922.csv,可以参考每个音频的style_prompt。
    • 此CSV文件的列详情如下:
      名称描述
      item_name音频文件名
      spk_id说话人ID
      gender说话人性别
      pitch音频的音高水平
      speaking_speed说话速度水平
      energy音频的能量水平
      content_prompt与音频对应的内容提示
      style_prompt_keystyle_prompt_candidates_v230922.csv的键,表示与音频相关的风格提示。
      raw_f0_mean音频有声部分的平均F0
      raw_f0_scaleF0的标准差
      raw_lf0_mean有声部分的log-F0平均值
      raw_lf0_scalelog-F0的对数标准差
      raw_speaking_rate每秒音节数
      raw_loudness_lufs相对于全刻度的响度单位
      raw_loudness_mean按帧计算的音频文件平均响度,提供了随时间变化的平均响度度量。
      raw_loudness_scale帧响度值的标准差,表示音频帧之间响度的变化。
      invalid标志表示该话语是否因缺少F0、无效的说话速率(如speaking_rate < 0)或其他处理错误而被标记为无效。1表示无效,0表示有效。

(有关每个项目的详细计算方法,请参阅LibriTTS-P论文。)

您可以使用来自LibriTTS-R的音频。

引用

@inproceedings{librittsp,
    authors={Masaya Kawamura, Ryuichi Yamamoto, Yuma Shirahata, Takuya Hasumi, Kentaro Tachibana},
    title={LibriTTS-P: A Corpus with Speaking Style and Speaker Identity Prompts for Text-to-Speech and Style Captioning},
    booktitle={Proc. Interspeech 2024},
    month=sep,
    year=2024
}

许可

CC BY 4.0

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多