nilc-nlp/NURC-SP_ENTOA_TTS

这是一个用于文本到语音任务的葡萄牙语数据集，包含四种配置：韵律、自动、音频语料库和测试。每种配置都有不同的参数，如路径、名称、演讲者、文本、时长和音频数据。数据集还包括了元数据，如录音年份、性别、年龄范围和音频质量。

This is a Portuguese (pt) dataset for text-to-speech tasks, containing four configurations: prosodic, automatic, audioCorpus, and test. Each configuration has different parameters such as path, name, speaker, text, duration, and audio data. The dataset also includes metadata like the year of recording, gender, age range, and audio quality.

搜集汇总

数据集介绍

构建方式

NURC-SP_ENTOA_TTS数据集基于巴西葡萄牙语口语语料库NURC-SP构建，旨在服务于文本转语音任务。该数据集通过精细的音频切分与多维度标注流程构建而成：首先从原始录音中提取语音片段，随后经由人工与自动两种途径完成转写与韵律标记。数据集包含五个配置子集——prosodic、automatic、audioCorpus、prossegue与test，分别对应人工韵律标注、自动转写、人工校验音频、自动分割以及测试用途。每个子集均提供音频文件路径、起止时间、时长及说话人信息等元数据，音频统一以16kHz采样率存储，确保了数据在语音合成研究中的可用性与一致性。

特点

该数据集的核心特点在于其多层次、多粒度的结构化设计。prosodic配置不仅提供人工转写的纯净文本，还包含携带韵律标记的文本，为韵律建模提供了宝贵资源。audioCorpus子集则收录了详尽的社会语言学元数据，如说话人性别、年龄范围、口音及语音风格，覆盖了对话、访谈与演讲等多种体裁。此外，数据集通过WhisperX工具自动标注说话人身份与数量，尽管存在一定误差，但为多说话人场景研究提供了基础。整体而言，该数据集兼具规模与多样性，训练集与验证集合计超过三万条样本，为巴西葡萄牙语语音合成系统的训练与评估奠定了坚实的数据基础。

使用方法

研究者可通过HuggingFace datasets库便捷加载该数据集，支持按需选择特定配置。加载时需指定配置名称，例如使用load_dataset("nilc-nlp/NURC-SP_ENTOA_TTS", name="prosodic")获取韵律标注子集，或选择automatic、audioCorpus、test及prossegue等配置。每个子集均提供训练与验证划分，其中test配置专为模型评估设计。数据加载后，用户可直接访问音频张量及对应的文本标注，适用于训练端到端语音合成模型、进行韵律预测或说话人自适应等下游任务。该数据集以MIT许可证开放，便于学术研究与商业应用。

背景与挑战

背景概述

在语音合成领域，自然且富有表现力的语音生成始终是研究的核心目标，而自发性口语的韵律建模因其复杂的声学与语言特征，成为当前技术突破的关键瓶颈。NURC-SP_ENTOA_TTS数据集由巴西圣保罗大学语言与人工智能研究团队（NILC-NLP）于2025年创建，旨在探索韵律分割对自发性口语文本转语音系统的影响。该数据集基于经典的NURC-SP语料库，收录了丰富的巴西葡萄牙语自发性对话、访谈与讲座录音，并提供了人工标注的韵律边界、说话人属性及声学质量等多维度元数据。其核心研究问题聚焦于如何利用精细的韵律信息提升合成语音的自然度与可理解性，为低资源语言的自发性语音合成研究开辟了新路径。该数据集已通过BRACIS 2025与Speech Prosody 2026等国际会议发表，对推动葡萄牙语语音技术及跨语言韵律建模具有重要参考价值。

当前挑战

该数据集所应对的领域挑战主要源于自发性口语的复杂特性：与朗读式语音不同，自发性语音包含大量不流畅现象（如填充词、重复与修正），且韵律边界模糊多变，传统基于文本的语音合成系统难以捕捉其动态节奏。这要求模型能够从声学与文本双重信号中学习韵律层级结构。在构建过程中，团队面临多重技术难题：首先，原始录音中多说话人重叠与背景噪声增加了自动分割的误差，需借助WhisperX等工具进行说话人日志化，但其输出准确性仍需人工校验；其次，韵律标记的制定需兼顾语言学理论与声学实测，导致标注成本高昂，不同标注者间的一致性难以保证；最后，数据集虽覆盖多种口语场景，但受限于地域（圣保罗市口音）与主题范围，模型的泛化能力仍面临考验，且高质量人工转写文本与自动转写文本之间的差异也为下游任务评估引入了不确定性。

常用场景

经典使用场景

NURC-SP_ENTOA_TTS数据集的核心经典用途在于为巴西葡萄牙语的自发语音文本到语音合成（TTS）提供高质量、多模态的训练与评估资源。该数据集精心构建了多个配置子集，尤其以蕴含韵律标注的“prosodic”配置最为突出，其融合了人工转录的规范化文本与带有韵律标记的文本，辅以精细的说话人属性、音频质量及主题分类信息。研究者可直接利用此数据集训练能够生成自然韵律、情感表达的TTS模型，从而在合成语音中复现真实对话的抑扬顿挫，弥补了传统TTS系统在应对自发性、非朗读式语音时韵律建模的显著不足。

解决学术问题

该数据集在学术层面精准回应了低资源语言语音合成中的两大核心挑战：自发语音的韵律建模与语料稀缺性。通过提供包含人工标注韵律边界的“prosodic”配置，它使得研究者能够系统探究韵律结构（如重音、边界停顿）对合成语音自然度与可理解性的量化影响。同时，数据集中的“automatic”与“audioCorpus”配置提供了自动与人工验证的转录对照，为语音识别与合成系统的鲁棒性评估建立了基准。其丰富的元数据（如性别、年龄段、口音）则支持了跨群体语音变异研究，推动了面向多样化用户群体的包容性TTS技术发展。

衍生相关工作

该数据集已催生出多项具有影响力的学术工作，其中Galdino等人（2026）在BRACIS会议上发表的论文系统评估了韵律分割对自发语音合成质量的提升效果，证实了基于NURC-SP_ENTOA_TTS训练的模型在韵律自然度指标上显著优于未采用韵律信息的基线系统。另一项由Galdino, Fernandes等人（2026）在Speech Prosody会议上发表的研究则聚焦于自动韵律分割方法对巴西葡萄牙语语音合成的影响，展示了该数据集在推动全自动、端到端韵律建模流水线方面的关键作用。这些衍生工作不仅验证了数据集的实用价值，更确立了其作为巴西葡萄牙语语音合成领域基准资源的重要地位。