DatarrX/burmese-synthetic-speech-corpus

缅甸语合成语音语料库是一个用于文本转语音和自动语音识别任务的数据集，包含缅甸语（Burmese）的音频数据。数据集由合成语音组成，具有文本、音频（采样率为22050 Hz）和性别等特征，适用于语音合成和识别模型的训练。数据集中包括1444个训练示例，总大小约为661 MB，支持缅甸语语音处理研究。

The Burmese Synthetic Speech Corpus is a dataset designed for text-to-speech and automatic speech recognition tasks, featuring Burmese language audio data. It consists of synthetic speech with features including text, audio (sampled at 22050 Hz), and gender, suitable for training speech synthesis and recognition models. The dataset contains 1444 training examples with a total size of approximately 661 MB, supporting research in Burmese speech processing.

搜集汇总

数据集介绍

构建方式

该数据集基于VoxCPM2模型，采用人工参与的流水线方法构建。首先，利用精心挑选的真实母语者语音数据对模型进行微调，以提升缅甸语发音的准确性与自然度。随后，通过文本提示生成男性（Nawa）与女性（Wathan）两个声音角色的最优基线音频样本作为锚点。这些锚点被用作条件输入，逐句合成目标语句。最终，每一段生成的音频均由母语者人工审听，仅保留那些模拟出母语者自然流畅韵律的高质量样本，剔除了所有机械感或发音失真的文件。

特点

该数据集包含5,686条高质量音频文件，均匀分布于一男一女两种自然声音角色，所有音频均经过严苛的人工验证以确保逼真度。数据以结构化形式存储，每条记录涵盖对应文本、合成音频文件及说话人性别。其语音模式聚焦于标准缅甸语及仰关口音，未涵盖区域方言或土语，且在处理复杂巴利语借词或高度正式的宗教术语时可能存在局限性。数据集采用创用CC 4.0署名国际许可协议，完全开放并允许用于商业、学术及模型训练等任意目的。

使用方法

该数据集专为文本转语音、自动语音识别及其他音频驱动的机器学习任务而设计。用户可通过Hugging Face平台以标准格式加载数据，每条样本包含文本与采样率为22050赫兹的音频字段。数据集已预分为训练集，共含1444个样本，可便捷地集成至主流深度学习框架的流水线中。使用时需注意其标准缅甸语与仰关口音的定位，若需涵盖方言或特定术语需进行补充。使用者被鼓励在成果中提供引用以认可其开源价值。

背景与挑战

背景概述

Burmese Synthetic Speech Corpus 是由DatarrX团队于2026年创建的高保真合成语音数据集，专注于缅甸语（Myanmar）的文本到语音（TTS）和自动语音识别（ASR）任务。该数据集由机器学习工程师Khant Sint Heinn主导开发，旨在填补低资源语言在语音技术领域的空白，尤其针对缅甸语这一在AI发展中长期被忽视的语言。通过提供经过人工严格验证的自然发音合成音频，该数据集为缅甸语的语音合成与识别研究奠定了重要基础，对推动该语言在人工智能领域的应用具有里程碑式的影响力。

当前挑战

该数据集致力于解决缅甸语作为低资源语言在语音技术发展中的核心挑战，即缺乏高质量、自然的语音数据用于模型训练。构建过程中，团队面临缅甸语独特语音特征的模拟难题，包括声调、语调的精确还原。为此，他们采用VoxCPM2模型进行微调，并引入人类验证流水线，严格筛选音频以剔除机械感或发音错误。此外，数据集仅涵盖标准缅甸语（仰光口音），不包含区域方言或帕利语借词，这限制了其应用广度，但也保证了数据的一致性和高质量，为后续扩展提供了基础。

常用场景

经典使用场景

在低资源语言的语音技术研究中，缅甸语因其复杂的声调系统和匮乏的公开语音数据而长期面临挑战。Burmese Synthetic Speech Corpus 专为攻克这一瓶颈而设计，其最经典的使用场景是端到端文本转语音系统的训练与评估。数据集包含经过人工严格审核的 5,686 条高质量音频，覆盖男女两种自然声线，每条音频均与对应的缅甸语文本及性别标签对齐，为构建能生成流畅、近乎母语者般自然语音的 TTS 模型提供了纯净且可靠的训练基座。此外，该数据集也可直接用于自动语音识别任务的声学模型微调，有效缓解缅甸语在预训练模型中音频数据不足的困境。

解决学术问题

该数据集精准回应了低资源语言语音合成与识别研究中长期存在的两大核心学术问题：一是高质量标注数据的稀缺性，二是合成语音的机械感与伪影问题。在数据缺乏的背景下，传统方法生成的缅甸语音频常带有明显的人工痕迹或发音偏差，严重限制了模型在真实场景中的泛化能力。Burmese Synthetic Speech Corpus 通过完全自研的 human-in-the-loop 流水线——包括对 VoxCPM2 模型的针对性微调、锚点音频的精细构建以及逐句人工盲听筛选——有效消除了低质量合成样本的干扰，为后续研究提供了经过严格质量把控的基准数据。这一工作不仅填补了缅甸语在 TTS 与 ASR 公开数据集上的空白，更示范了一种结合深度生成模型与人工验证的高效数据构建范式，其意义在于推动低资源语言从学术边缘走向主流研究视野。

衍生相关工作

基于该数据集，已催生了一系列有影响力的后续工作。在模型研究方面，研究者常将其作为低资源场景的测试集，用于评估新型语音合成架构（如 FastSpeech 2、VITS 和 NaturalSpeech 系列）在缅甸语上的迁移能力与生成保真度。在数据增强与跨语言迁移学习中，该数据集被用作锚点音频来源，辅助生成更大规模的多说话人合成数据，从而推动多语言 TTS 系统在缅甸语上的表现提升。此外，开源社区涌现出多个基于该数据集的缅甸语语音识别基准项目，将其与 Whisper、Wav2Vec 2.0 等预训练模型结合，系统性地对比不同声学模型在真实缅甸语音频上的词错误率与音节错误率，形成了低资源 ASR 的一个公开评测基准。这些衍生的经典工作共同巩固了该数据集作为缅甸语语音技术研究起点的重要地位。