projecte-aina/LaFrescat

LaFresCat是第一个加泰罗尼亚语多口音和多说话者的数据集，主要用于训练文本到语音和自动语音识别模型。数据集包含专业录音室录制的音频，经过修剪、重采样、立体声到单声道转换等处理。数据集包含4种不同的口音，每种口音有2位说话者（男性和女性），总时长为3.75小时。数据集结构包括音频、转录、说话者ID和口音信息。数据集由巴塞罗那超级计算中心生命科学部门的语言技术团队创建，录音由专业配音演员在Lafresca Creative Studio完成。

原始信息汇总

数据集概述

名称: LaFresCat Multiaccent

语言: 加泰罗尼亚语 (ca)

许可: CC-BY-NC-4.0

多语言性: 单语

大小: 1K<n<10K

任务类别: 语音合成 (text-to-speech)

数据集结构:

• 特征:
  • audio: 音频数据
  • transcription: 文本转录
  • speaker_id: 说话人标识
  • accent: 口音标识
• 分割:
  • train: 训练集，包含2858个样本

数据处理:

• 音频处理包括修剪、重采样、立体声到单声道转换等步骤。
• 使用工具包括py-webrtcvad, SOX, Librosa, Soundfile等。

数据集内容:

• 包含4种不同口音，每种口音有2名说话人（男性和女性）。
• 每个说话人的录音时间从22.25分钟到37.86分钟不等。

用途: 主要用于训练加泰罗尼亚语方言的语音合成和自动语音识别模型。

创建者: 巴塞罗那超级计算中心的语言技术部门。

录音环境: Lafresca Creative Studio，使用专业录音设备和技术。

数据集分割:

• 仅包含训练集，提供音频和转录文本。

数据集详细信息:

• 每个样本包含音频文件路径、解码后的音频数组和采样率。
• 转录文本为说话人朗读的句子。