L2-ARCTIC corpus

该数据集包含了非母语者带有口音的英语录音，并附有音素级别的对齐注释。此外，数据集中还包含了脚本和音素级别的对齐注释，采样率为44.10千赫兹，以16位编码。该数据集规模达到26小时，其任务是用以训练人工智能语音合成模型。

This dataset contains accented English speech recordings from non-native speakers, paired with orthographic transcripts and phoneme-level alignment annotations. The audio files have a sampling rate of 44.10 kHz and are encoded in 16-bit format. The total duration of the dataset is 26 hours, and it is intended for training artificial intelligence speech synthesis models.

搜集汇总

背景与挑战

背景概述

L2-ARCTIC corpus是一个专注于口音文本到语音合成的研究数据集，提供了明确的强度控制方法，用于调整生成语音中的口音强度。研究提出了一种基于FastSpeech2的TTS模型，通过量化音素口音强度来实现对口音强度的直观和显式控制。