awesome-Persian-Speech

这是一个关于波斯语语音到文本（stt）和文本到语音（tts）的资源合集，收录了多个数据集、工具、模型、书籍、新闻通讯、播客和网站等资源，旨在为波斯语语音处理领域的研究者和开发者提供全面的参考和索引。

This is a resource collection focused on Persian Speech-to-Text (STT) and Text-to-Speech (TTS) tasks. It incorporates a wide range of resources including datasets, tools, models, books, newsletters, podcasts, and websites, aiming to provide a comprehensive reference and index for researchers and developers working in the field of Persian speech processing.

原始信息汇总

数据集详情概述

该页面是 Awesome-Persian-Speech，一个汇集波斯语语音技术资源的清单，专注于语音转文本（STT）和文本转语音（TTS）领域。页面包含工具、数据集、模型及相关资源的分类列表。

一、TTS 工具

• mimic3：一个快速、本地的神经文本转语音系统，支持波斯语，并提供可用语音列表。
• Persian-tts-coqui：基于 Coqui AI TTS 的波斯语 TTS 模型、演示和训练代码。
• fairseq (mms tts)：支持 1107 种语言的 TTS 模型，包含波斯语。
• espeak-ng：支持上百种语言和口音的开源语音合成器。
• tihu：一个开源波斯语文本转语音引擎。
• edge-tts：通过 Python 调用微软 Edge 在线 TTS 服务，无需 Edge 浏览器或 API 密钥。
• SeamlessM4T：支持 35 种语言的语音输出，包括西波斯语。
• pertts：提供非常自然的语音，可与 Piper 结合使用。
• piper：一个快速、本地的神经 TTS 系统，包含由社区训练的波斯语模型。
• Persian Piper Model gyro：波斯语微软 Edge Farid 语音模型，可与 Piper 配合使用。
• IMS-Toucan：用于教学、训练和使用最先进语音合成模型的工具包，支持波斯语。

二、TTS 数据集

页面列出了多个波斯语语音数据集，用于 TTS 模型训练：

• parsiGoo：多说话人数据集。
• 多个 Kaggle 数据集（包含男声、女声和通用波斯语 TTS 数据）。
• Quran-Persian：约 20 小时的数据集。
• Mana-TTS：约 86 小时的数据集。
• persian_tts（来自 SmartGitiCorp）：另一个波斯语 TTS 数据集。
• GPTInformal：约 6 小时的波斯语非正式语音数据集。

三、语音转换

页面提及可用于将任意语言的语音转换为训练过语音的语音转换资源，并提供在线演示链接。

四、平台支持

页面以表格形式展示了 TTS 工具在不同平台上的支持情况：

• Windows：支持 Piper 和 sherpa-onnx。
• Android：支持 sherpa-onnx、MultiTTS 应用和 smart-voice。
• Web：支持 Persian-tts-coqui 的在线演示和 Google Colab 笔记本。

搜集汇总

数据集介绍

构建方式

在波斯语语音技术领域，数据与模型的稀缺性长期制约着相关研究的进展。Awesome-Persian-Speech 并非一个单一的数据集，而是一个精心编纂的资源聚合仓库，旨在系统性地收集和整理波斯语语音识别（STT）与语音合成（TTS）领域的优秀资源。该仓库的构建方式是通过对 GitHub、Hugging Face 等平台上的开源项目、数据集、预训练模型及工具进行广泛检索与筛选，并按照功能类别（如 TTS 工具、TTS 数据集、语音转换等）进行结构化组织，形成一个层次分明、易于导航的索引体系。

特点

该资源集合的核心特色在于其全面性与实用性。它不仅收录了如 mimic3、Coqui TTS、fairseq MMS 等主流开源 TTS 引擎的波斯语支持版本，还汇总了包括 parsiGoo、Mana-TTS 在内的多个高质量波斯语语音数据集，覆盖多说话人、不同时长及语体风格。此外，项目还特别标注了各资源的在线演示链接、Hugging Face 模型页面以及跨平台兼容性（如 Windows、Android、Web），极大地方便了研究者和开发者进行快速评估与集成。

使用方法

用户可通过浏览仓库的 README 目录，直接定位所需资源类别。例如，若需构建波斯语语音合成系统，可从 'tts tools' 列表中选择合适的工具，并配合 'tts datasets' 中提供的数据集进行模型训练。每个工具条目均附有指向原始仓库、论文或在线演示的链接，用户可据此获取详细的安装说明、API 文档及使用示例。对于寻求快速体验的用户，项目还提供了 Hugging Face Spaces 的在线 demo 和 Google Colab 笔记本，无需本地配置即可直接运行。

背景与挑战

背景概述

波斯语作为全球约1.1亿人使用的语言，其语音技术研究长期受限于高质量公开数据集的匮乏。awesome-Persian-Speech数据集由研究者Karim23657等人于近年创建，旨在系统整合波斯语语音识别（STT）与语音合成（TTS）领域的工具、模型与数据集资源。该数据集的核心研究问题聚焦于填补波斯语语音技术生态的空白，通过收集如parsiGoo多说话人数据集、Mana-TTS（86小时）等资源，为低资源语言语音研究提供基准平台。其影响力体现在推动波斯语语音技术从依赖通用模型向专用化发展，尤其为语音克隆、跨语言语音合成等前沿方向提供了数据基础，成为波斯语自然语言处理社区的重要参考资源。

当前挑战

该数据集面临的挑战首先体现在领域问题层面：波斯语复杂的语音变体（如正式语与口语间的音系差异）、缺乏统一的正字法规范，以及波斯语特有音素（如咽音、小舌音）的声学建模难度，导致现有模型在自然度与可懂度间难以平衡。构建过程中，数据采集面临方言多样性覆盖不足（如达里语、塔吉克语变体缺失）、高质量标注成本高昂（需专业语言学知识进行音素级对齐）等问题；此外，已公开数据集（如Quran-Persian）的领域偏向性（宗教文本为主）限制了模型在通用场景的泛化能力，而多说话人数据中说话人身份与情感标签的缺失，进一步制约了语音转换与情感合成技术的发展。

常用场景

经典使用场景

在波斯语语音处理领域，该数据集资源集合为文本转语音（TTS）与语音转文本（STT）任务提供了系统化的训练与评估平台。研究者可借助其中收录的多说话人语料库（如parsiGoo）、高质量单声道录音（如Mana-TTS的86小时数据）以及多样化发音风格样本（如GPTInformal的非正式语音数据集），构建端到端的神经语音合成系统。这些资源不仅支持经典的VITS、Tacotron等模型架构的训练，还通过提供标准化的数据划分与预处理脚本，显著降低了波斯语语音建模的入门门槛。

解决学术问题

该数据集集合从根本上缓解了波斯语语音资源稀缺的困境，为低资源语言语音处理研究提供了关键支撑。学术层面，它解决了跨语言语音合成中波斯语音素映射不完整、韵律建模缺乏基准数据等核心问题。通过整合不同性别、年龄和方言的发音样本，研究者得以探索说话人无关的声学特征提取技术，并验证多任务学习框架在波斯语韵律预测中的有效性。这些工作推动了多语言语音处理理论的发展，也为后续研究建立了可复现的基线标准。

衍生相关工作

该数据集集合衍生了一系列经典工作，包括基于Coqui-ai TTS框架的波斯语多说话人合成系统（Persian-tts-coqui），以及利用Facebook MMS-TTS实现的跨语言语音克隆模型。研究者还基于Piper引擎开发了轻量级边缘端波斯语合成方案，并构建了支持1107种语言的SeamlessM4T模型中波斯语分支的微调版本。这些衍生工作不仅拓展了原始数据的使用边界，更通过开源社区协作形成了完整的波斯语语音技术生态，持续推动着该领域的前沿探索。