发布时间 : 2023-09-22 阅读量 : 354
文本到语音合成（text to speech，tts）作为生成式人工智能（generative ai 或 aigc）的重要课题，在近年来取得了飞速发展。为了实现高效合成既自然又高质量的人类语音，有不少机构及企业都进行了相关项目的研究，包括微软亚洲研究院机器学习组和微软 azure 语音团队去年推出的naturalspeech（）还有meta今年发布的voicebox（），都是利用大数据、大模型和零样本（zero-shot)合成技术，实现语音合成的音色、韵律、风格的多样性的代表。
语音tts已经走向了aigc大模型模式，利用大规模预训练数据，加上高品质的sft数据，实现zero-shot的声音复刻正成为越来越火热的技术趋势。同时零样本语音合成在娱乐产业、云平台、通用ai平台及aigc领域都有广泛的应用场景，包括电影电视配音及解说、有声书、游戏角色配音、虚拟主播、语音导航等。
在此背景下，晴数智慧前瞻性地推出“高品质语音大模型sft数据集”，此数据具备48khz高采样率，采集人数上万，环境纯净，内容自然多样，近万小时，是语音sft的绝佳数据。
数据集参数：
话题分布：涉及休闲娱乐等15个话题
说话人信息：为保证语音的多样性，此数据集由来自中国各方言地区超3万人参与录制，男女近似比1:1，以中青年为主，地域分布广泛。
说话人男女比
说话人年龄分布
说话人地域分布
此数据已被数家娱乐产业头部企业运用于aigc语音合成研发及应用，数据质量经过实践检验。更多数据详情，资讯我们的数据专家。