中文语音语料

zhvoice: Chinese voice corpus

tips: 中文或汉语的语言简称缩写是zh。

喜欢请star！你就是superstar！

语料简介

zhvoice语料由8个数据集，经过降噪和去除静音处理而成，说话人约3200个，音频约900小时，文本约113万条，共有约1300万字。

zhvoice语料比较原始数据而言，更加清晰和自然，减少了噪声的干扰，减少了因说话人说话不连贯造成的不自然。

zhvoice语料包含文本、语音和说话人3个方面的信息，可适用于多种语音相关的任务。

zhvoice语料由智浪淘沙清洗和处理。

处理方法

• 用python的工具模块aukit处理音频，降噪和去除静音。

pip install aukitfrom aukit import remove_noise, remove_silence

• 用python的工具模块phkit处理文本，文本正则化和汉字转拼音。

pip install phkitfrom phkit import text_to_sequence, pinyin

应用场景

• 用于语音克隆模型，可直接用于githup的语音克隆项目zhrtvc。

• 用于语音合成模型，用标贝开源的中文标准女声音频zhbznsyp数据集，或者筛选音质较好，和目标声音相似的说话人语音及其文本。

• 用于声码器模型，即由语音特征转为语音信号的模型。用语音数据，可结合aukit的音频转频谱。

from aukit import linear_spectrogram, mel_spectrogram, world_spectrogram

• 用于语音编码器模型，即把语音编码到预定维度的向量空间。
• 用于声纹识别模型，用语音和对应的说话人标签。
• 用于语音识别模型，用语音和文本，可以适当加噪声。

数据集下载链接

https://download.csdn.net/download/liufang_imei/87537406?spm=1001.2014.3001.5501

文件介绍

• info：各个数据集的源数据信息，包含源数据出处、简介等。
• text：语音语料对应的文本，包含文本、相对路径、说话人、参考拼音等信息。
• sample：样本语音，每个说话人一个音频。
• metadata：语料元数据，一行对应一个音频文件，每行的格式音频相对路径\t汉字文本\n。
• zh*：zh开头的是语料文件，目录结构：根目录下包含metadata.csv和语音文件目录。一个说话人对应一个子目录，音频是mp3格式。metadata.csv的数据结构和metadata的一样，记录当前数据集的信息。

统计信息

• character_W: 字符个数，单位：万字。包括汉字、英文字母和标点符号。
• duration_H: 语音时长，单位：小时。
• n_audio_per_speaker：每个说话人的音频数量。
• n_minute_per_speaker：平均每个说话人的音频总时长，单位：分钟。
• n_speaker：说话人个数。
• sentence_W：文本数目，单位：万条。
• size_MB：音频占用存储空间，单位：MB。

注意：

1. total是全部数据集合集的结果。
2. 音频的采样率是16k。

{"total": {"character_W": 1287.0836999999997,"duration_H": 889.7492555555556,"n_audio_per_speaker": 348.30255463219453,"n_character_per_sentence": 11.37366465335554,"n_minute_per_speaker": 16.431195855134913,"n_second_per_audio": 2.8305039345725436,"n_speaker": 3249,"sentence_W": 113.1635,"size_MB": 9164.134941101074},"zhaidatatang": {"character_W": 233.5123,"duration_H": 145.47232,"n_audio_per_speaker": 395.4416666666667,"n_character_per_sentence": 9.841835078920194,"n_minute_per_speaker": 14.547232000000001,"n_second_per_audio": 2.2072381177164773,"n_speaker": 600,"sentence_W": 23.7265,"size_MB": 1498.3187255859375},"zhaishell": {"character_W": 204.0219,"duration_H": 142.5542,"n_audio_per_speaker": 354.0,"n_character_per_sentence": 14.40832627118644,"n_minute_per_speaker": 21.38313,"n_second_per_audio": 3.6242593220338986,"n_speaker": 400,"sentence_W": 14.16,"size_MB": 1468.2630157470703},"zhbznsyp": {"character_W": 18.3708,"duration_H": 10.544652222222222,"n_audio_per_speaker": 10000.0,"n_character_per_sentence": 18.3708,"n_minute_per_speaker": 632.6791333333333,"n_second_per_audio": 3.7960748,"n_speaker": 1,"sentence_W": 1.0,"size_MB": 108.60657119750977},"zhmagicdata": {"character_W": 567.2561,"duration_H": 406.01905,"n_audio_per_speaker": 563.8938053097345,"n_character_per_sentence": 9.891471367789634,"n_minute_per_speaker": 23.953926253687317,"n_second_per_audio": 2.548769930947897,"n_speaker": 1017,"sentence_W": 57.348,"size_MB": 4181.867351531982},"zhprimewords": {"character_W": 105.2203,"duration_H": 81.30301,"n_audio_per_speaker": 171.96621621621622,"n_character_per_sentence": 20.67115241051432,"n_minute_per_speaker": 16.480339864864863,"n_second_per_audio": 5.750085183293388,"n_speaker": 296,"sentence_W": 5.0902,"size_MB": 837.3951988220215},"zhspeechocean": {"character_W": 3.1078,"duration_H": 1.8908433333333334,"n_audio_per_speaker": 120.0,"n_character_per_sentence": 12.949166666666668,"n_minute_per_speaker": 5.67253,"n_second_per_audio": 2.836265,"n_speaker": 20,"sentence_W": 0.24,"size_MB": 19.475086212158203},"zhstcmds": {"character_W": 111.9317,"duration_H": 74.53628,"n_audio_per_speaker": 120.0,"n_character_per_sentence": 10.909522417153998,"n_minute_per_speaker": 5.230616140350877,"n_second_per_audio": 2.6153080701754385,"n_speaker": 855,"sentence_W": 10.26,"size_MB": 767.7000274658203},"zhthchs30": {"character_W": 43.6628,"duration_H": 27.4289,"n_audio_per_speaker": 223.13333333333333,"n_character_per_sentence": 32.61338512100388,"n_minute_per_speaker": 27.4289,"n_second_per_audio": 7.375563190917239,"n_speaker": 60,"sentence_W": 1.3388,"size_MB": 282.5089645385742}
}