nilc-nlp/nurc_tts_24khz

该数据集是一个多模态语音文本数据集，包含来自巴西圣保罗和累西腓地区的音频和文本数据。数据集特征包括询问内容、片段标识、说话者信息、音频时长、转录文本、询问类型、录音年份、说话者性别、音频质量、主题和年龄组。音频采样率为24000 Hz，总大小约为83 GB，分为两个分片：圣保罗分片有120,621个样本，累西腓分片有200,295个样本，适用于语音识别、情感分析或社会语言学研究。This dataset is a multimodal speech-text dataset containing audio and text data from São Paulo and Recife regions in Brazil. Features include inquiry content, segment identifier, speaker information, audio duration, transcribed text, inquiry type, recording year, speaker gender, audio quality, themes, and age group. The audio has a sampling rate of 24000 Hz, with a total size of approximately 83 GB, split into two parts: the São Paulo split has 120,621 samples, and the Recife split has 200,295 samples, suitable for speech recognition, sentiment analysis, or sociolinguistic research.

搜集汇总

数据集介绍

构建方式

NURC-TTS-24kHz数据集源自经典的NURC（葡萄牙语标准城市语言项目）语料库，专注于巴西葡萄牙语的口语语料。该数据集通过选取NURC项目中圣保罗和累西腓两个城市的录音资料，以24kHz的采样率对音频进行重采样和标准化处理，确保高质量的语音数据。每个样本均标注了询问类型、说话人信息、录制年份、性别、年龄组、语音质量及主题等多维元数据，同时保留了对话的片段文本与对应音频的对齐关系，构建过程严谨且注重语音与文本的一致性。

使用方法

使用NURC-TTS-24kHz数据集时，可通过Hugging Face Datasets库直接加载，指定default配置下的sao_paulo或recife子集。每条数据包含音频（24kHz采样率）、文本、说话人、时长及详细元数据字段。开发者可将音频和文本配对用于训练语音合成模型，如Tacotron或FastSpeech；或利用说话人与地域标签研究跨区域语音变异。数据集以分片形式存储，支持流式加载以节省内存，便于大规模实验与微调。

背景与挑战

背景概述

nurc_tts_24khz数据集由巴西研究机构创建，专注于巴西葡萄牙语语音合成领域，其核心研究问题在于构建高质量、多说话人的文本转语音（TTS）系统。该数据集于近年来发布，收录了来自圣保罗和累西腓两大方言区的数十万条语音片段，涵盖多种询问类型、主题、年龄组与性别，为巴西葡萄牙语的语音研究提供了丰富的声学与语言资源。其24kHz的采样率确保了语音细节的高保真度，对推动巴西本土语音合成技术发展、方言建模以及多风格语音生成具有重要影响力。

当前挑战

该数据集面临的领域挑战在于巴西葡萄牙语内部显著的方言差异，如圣保罗与累西腓发音、韵律的多样性，这对TTS系统的泛化能力提出了高要求。同时，构建过程中遇到多重困难：大规模录音的采集与标注成本高昂，需确保不同时期录音设备、环境、说话人状态的统一性；语音质量标签的客观评判标准难以界定，而年龄、主题等元数据的准确分类也需耗费大量人工审核，这些因素共同增加了数据集构建的复杂性与质量控制的难度。

常用场景

经典使用场景

nurc_tts_24khz数据集作为巴西葡萄牙语多说话人语音合成领域的重要资源，其经典使用场景聚焦于文本到语音（TTS）系统的训练与评估。该数据集包含了来自圣保罗和累西腓两大巴西城市的高质量录音，覆盖多种语音特征如说话人性别、年龄组、录音质量及主题类别，为构建具有丰富韵律和自然度的合成语音提供了坚实基础。研究者常将其用于开发能够精准捕捉巴西葡萄牙语方言差异的语音合成模型，尤其是针对不同地区口音和发音习惯的建模，从而提升合成语音的地域适应性和听感自然度。

解决学术问题

在学术研究层面，该数据集有效解决了巴西葡萄牙语低资源语音合成场景下的数据匮乏与多样性不足两大核心难题。通过提供超过32万条标注精细的语音片段，并附带年龄、性别、主题等多维度元数据，它使得研究者能够系统性地探索说话人特征对合成语音质量的影响机制。此外，它推动了跨语言迁移学习、说话人自适应训练以及方言识别等领域的前沿探索，为构建更具包容性和鲁棒性的多说话人TTS系统提供了标准化的实验基准，显著促进了巴西葡萄牙语语音技术的研究进展。

实际应用

在应用实践中，nurc_tts_24khz数据集广泛应用于智能语音助手、有声读物制作、导航系统及在线教育平台等需要自然语音交互的领域。其24kHz的高采样率确保了合成音频的保真度，特别适用于对音质要求严格的商业级语音产品。例如，巴西本土的电信企业可借助该数据集训练出能够准确模拟圣保罗与累西腓地区口音的客服语音系统，从而提升用户服务体验；同时，教育科技公司可利用其多说话人特性开发个性化的语言学习工具，使学习者接触到不同年龄、性别的自然发音示范，增强学习效果。

数据集最近研究

最新研究方向

面向巴西葡萄牙语口音多样性的语音合成与多模态研究