中文普通话朗读音频数据集

## 目录结构

```
SPKINFO.txt
UTTERANCEINFO.txt
WAV-1/
--SPEAKER_ID/
--UTTRANS_ID.wav
```

### SPKINFO.txt
```txt
CHANNEL SPEAKER_ID GENDER AGE REGION,CITY DEVICE
C0 14_3466 F 18 Hebei Mobile phone
C0 14_3664 F 40 Guangdong Mobile phone
C0 14_3694 M 23 Guangdong Mobile phone
C0 14_3698 M 23 Guangdong Mobile phone
```

### UTTERANCEINFO.txt
```txt
CHANNEL UTTRANS_ID SPEAKER_ID PROMPT TRANSCRIPTION
C0 14_3466_20170826171159.wav 14_3466 请语言播放小说
C0 14_3466_20170826171236.wav 14_3466 这里
C0 14_3466_20170826171323.wav 14_3466 全民唱吧
```

## 使用方法
```python
from modelscope import MsDataset

dataset = MsDataset.load("Magic_Data/Mandarin_Chinese_Scripted_Speech_Corpus", split='train')

# 逐条处理数据
for i, example in enumerate(dataset):
print(example)
if i==10:
break
```

#### 下载方法
:modelscope-code[]{type="sdk"}
:modelscope-code[]{type="git"}

## 目录结构

SPKINFO.txt
UTTERANCEINFO.txt
WAV-1/
--SPEAKER_ID/
--UTTRANS_ID.wav

### 说话人信息文件（SPKINFO.txt）
该文件记录各说话人的基础采集信息，字段依次为：采集通道（CHANNEL）、说话人ID（SPEAKER_ID）、性别（GENDER）、年龄（AGE）、地区与城市（REGION,CITY）、采集设备（DEVICE）。
示例内容如下：
txt
CHANNEL SPEAKER_ID GENDER AGE REGION,CITY DEVICE
C0 14_3466 F 18 河北省 移动手机
C0 14_3664 F 40 广东省 移动手机
C0 14_3694 M 23 广东省 移动手机
C0 14_3698 M 23 广东省 移动手机

### 语音片段信息文件（UTTERANCEINFO.txt）
该文件记录每条语音片段的关联元数据，字段依次为：采集通道（CHANNEL）、语音片段ID（UTTRANS_ID）、说话人ID（SPEAKER_ID）、提示指令（PROMPT）、语音转录文本（TRANSCRIPTION）。
示例内容如下：
txt
CHANNEL UTTRANS_ID SPEAKER_ID PROMPT TRANSCRIPTION
C0 14_3466_20170826171159.wav 14_3466 请语言播放小说
C0 14_3466_20170826171236.wav 14_3466 这里
C0 14_3466_20170826171323.wav 14_3466 全民唱吧

## 使用方法
python
from modelscope import MsDataset

dataset = MsDataset.load("Magic_Data/Mandarin_Chinese_Scripted_Speech_Corpus", split='train')

# 逐样本处理数据
for i, example in enumerate(dataset):
print(example)
if i==10:
break

#### 下载方式
:modelscope-code[]{type="sdk"}
:modelscope-code[]{type="git"}

搜集汇总

背景与挑战

背景概述

该数据集是一个包含53.62GB中文普通话朗读音频的语料库，按说话人ID和话语ID组织存储，并提供了详细的说话人信息和对应的文本内容。数据集采用Apache 2.0许可协议，适合用于语音相关的研究和开发。