汉语TTS数据集
收藏资源简介：
汉语TTS数据集是一个基于语言学本体构建的全面测试集，专为测试和评估文本到语音（TTS）前端系统的准确性和自然度而设计。数据集涵盖了汉语中的各种语音现象，包括普通话水平测试、汉语多音字、汉语音变、中英混杂文本以及特殊符号和数字的处理。
The Mandarin TTS Dataset is a comprehensive test set constructed based on linguistic ontologies, specifically designed for testing and evaluating the accuracy and naturalness of text-to-speech (TTS) front-end systems. The dataset covers various phonetic phenomena in Mandarin, including Mandarin Proficiency Test content, polyphonic Chinese characters, Mandarin phonetic sandhi, code-mixed Mandarin-English texts, as well as the processing of special symbols and numerals.
汉语文本转语音（TTS）数据集
数据集介绍
汉语TTS数据集是一个基于语言学本体构建的全面测试集，专为测试和评估文本到语音（TTS）前端系统的准确性和自然度而设计。数据集涵盖了汉语中的各种语音现象，包括普通话水平测试、汉语多音字、汉语音变、中英混杂文本以及特殊符号和数字的处理。通过这一全面的测试集，TTS前端系统的潜在问题能够被系统性地发现和修正，确保生成的语音既自然又准确。
数据集用途
- TTS系统评估与优化：系统性评估和优化TTS前端系统在多种语音现象下的性能，包括发音自然度和鲁棒性，确保高质量的语音输出。
- 发音准确性验证：通过对多音字、音变现象的测试，验证并修正TTS系统在复杂发音场景中的准确性，确保上下文敏感的正确发音。
- 特殊文本处理能力测试：评估TTS系统在处理中英混杂文本、特殊符号和数字等非标准文本时的表现，确保系统在多语言环境和边缘用例中的广泛适用性。
- 语言学研究与教育工具开发：支持语言学研究和教育软件开发，帮助分析汉语发音现象，并为学习者提供正确的发音指导。
- 语音交互系统测试：测试语音助手、智能设备和自动化客服系统中的TTS模块，确保其在多样化文本输入场景下的一致性和高质量表现。
文件描述
| 文件名 | 描述 | 大小 |
|---|---|---|
| Chinese Mandarin Proficiency Test.json | 包含普通话水平测试的文本，共计60篇。 | 中 |
| Chinese Phonological Changes.json | 包含汉语音变现象的文本，涵盖变调、轻声、儿化、啊音变等。 | 中 |
| Chinese Polyphonic Characters.json | 包含多音字的文本，基于字频语料库的统计。 | 中 |
| Mixed Chinese and English Text.json | 包含中英混杂文本，基于Google万亿字语料库的n-gram频率分析。 | 中 |
| Special Symbols and Numbers.json | 包含电话号码、度量单位、货币单位、时间日期、数学符号等特殊符号文本。 | 中 |
| TTS_Test.json | 从以上5部分抽取的1万字测试集。 | 小 |
| TTS_Test.txt | 包含TTS_Test.json文件中的文本内容。 | 小 |
数据集格式说明
TTS_Test.json 格式说明
数据包含以下部分：
| 数据部分 | 抽取方式 | 句子数 | 总字数 | 平均句长（字） |
|---|---|---|---|---|
| 普通话水平测试 | 分类随机抽取 | 128 | 4000 | 31.25 |
| 汉语音变 | 分类随机抽取 | 148 | 3999 | 27.02 |
| 汉语多音字 | 按字频抽取 | 155 | 3984 | 25.70 |
| 特殊符号及数字 | 分类随机抽取 | 118 | 4000 | 26.67 |
| 中英混杂 | 按词频抽取 | 193 | 3993 | 20.69 |
{ "id": "000039", # 文本句子text的编号 "source": "汉语音变_轻声", # TTS测试集的组成部分，即重点测试的语音方面 "words": [ "打量 dǎliang", "关系 guānxi" ], # 词语列表，代表重点关注的发音 "text": "她用怀疑的眼神打量着他，两人之间的关系似乎变得微妙起来。", # 测试文本 "pinyin": "ta1 yong4 huai2 yi2 de yan3 shen2 da3 liang4 zhe ta1 ， liang3 ren2 zhi1 jian1 de guan1 xi4 si4 hu1 bian4 de2 wei1 miao4 qi3 lai2 。" # 文本对应的拼音，含声调 }
各部分数据集说明
| 文件名 | 数据集部分 | 内容 | 来源 | 目的 | 总句子数 | 总字数 | 平均句长（字） |
|---|---|---|---|---|---|---|---|
| Chinese Mandarin Proficiency Test.json | 汉语普通话水平测试 | 包括来自普通话朗读作品的文本，共计60篇。 | 普通话学习网 | 综合检测TTS系统在标准普通话中的表现，包括发音准确性、语调自然度、节奏韵律等。 | 1013 | 31899 | 31.49 |
| Chinese Polyphonic Characters.json | 汉语多音字 | 涵盖每百万字出现10次以上的多音字，基于字频语料库（25亿字）。 | 现汉汉语第7版词典所有多音字统计，基于25亿字字频排序；进一步用于【大语言模型数据生成】 | 评估TTS系统在处理多音字时的准确性。多音字在汉语中非常常见，错误的发音会严重影响语音的自然度和可理解性。 | 402 | 10435 | 25.96 |
| Chinese Phonological Changes.json | 汉语音变 | 包括变调、轻声、儿化、啊音变等，覆盖汉语绝大多数音变情况。 | 多个版本的现代汉语教材音变归纳总结；进一步用于【大语言模型数据生成】 | 测试TTS系统在处理语流音变现象时的表现。汉语中的音变现象复杂多样，正确处理这些音变对于生成自然流畅的语音至关重要。 | 683 | 17645 | 25.83 |
| Mixed Chinese and English Text.json | 中英混杂 | 根据单词频率确定的中英混杂文本，基于Google万亿字语料库的n-gram频率分析。 | 中英混杂语料ASRU测试集（基于Google万亿字语料库的单词词频进行排序） | 评估TTS系统在处理中英混杂文本时的表现。现代汉语中常常混杂使用英文单词，系统需要能够准确处理和发音这些混杂的文本，确保在不同语言之间的切换自然流畅。 | 3696 | 70717 | 19.13 |
| Special Symbols and Numbers.json | 特殊符号及数字 | 包括电话号码、度量单位、货币单位、时间日期、数学符号、其他等。 | GitHub开源语料；进一步用于【大语言模型数据生成】 | 检测TTS系统在处理特殊符号和数字时的准确性和自然度。特别是对于应用场景中经常出现的数字和符号，系统需要能够正确识别和发音。 | 281 | 7308 | 26.01 |
数据集优势
- 基于语言学本体的全面覆盖：数据集从语言学本体角度出发，涵盖了汉语中的多音字、音变现象、中英混杂文本、特殊符号和数字，确保TTS系统在不同发音场景下具备全面的覆盖和测试精度。
- 高效发现与修正问题：数据集设计时平均句长小于30字，能更快发现问题（短句子更容易突出TTS系统的问题），更精准的定位问题（如一句话中就包含了多个多音字发音情况），提高测试效率（短句子生成的音频更短），达到更全面的测试覆盖率（用较少的文本覆盖多个测试方面）。
- 适应实际应用场景：数据集专注于汉语的关键发音和文本处理场景，包括标准普通话、多音字、音变现象、中英混杂文本以及特殊符号和数字的处理，确保TTS系统在广泛的实际应用中表现优异。
- 均衡的数据分布：数据集在构建过程中采用随机、分类和频率等逻辑筛选，确保数据分布均衡且全面，最大化测试覆盖率。
