maanka2/somali-tts-corpus

Maanka Somali TTS数据集是一个为文本到语音（TTS）和语音到文本（STT）研究和开发而生成的索马里语音数据集。它包含3000多个索马里音频片段及匹配的转录文本，采用LJSpeech风格格式。该数据集通过自动创建的索马里语句模式和Microsoft Edge TTS语音Muuse合成生成，重点关注改善索马里特定发音和音素覆盖，如C、X、Q、DH、KH、SH和G等音素。文本中重复了许多单词和句子结构，以在模型训练中强化索马里音素学习和发音一致性。数据集还包括短叙事风格的索马里语句子，旨在帮助TTS和STT系统更好地学习索马里语音模式和困难字符组合。音频为WAV格式，附带metadata.csv文件，适用于Piper TTS训练以及Whisper或wav2vec2 STT微调。

The Maanka Somali TTS Dataset is a Somali speech dataset generated for Text-to-Speech (TTS) and Speech-to-Text (STT) research and development. It contains 3000+ Somali audio clips with matching transcripts in LJSpeech-style format. The dataset was synthetically generated using automatically created Somali sentence patterns and the Microsoft Edge TTS voice Muuse. The generated text focuses heavily on improving pronunciation and phoneme coverage for Somali-specific sounds such as C, X, Q, DH, KH, SH, and G. Many words and sentence structures are intentionally repeated to reinforce Somali phoneme learning and pronunciation consistency during model training. The dataset includes short narrative-style Somali sentences designed to help TTS and STT systems better learn Somali speech patterns and difficult character combinations. The audio is in WAV format, includes a metadata.csv file, and is suitable for Piper TTS training and Whisper/wav2vec2 STT fine-tuning.

原始信息汇总

数据集名称

Maanka Somali TTS Dataset

任务类型

• Text-to-Speech (TTS)
• Automatic Speech Recognition (ASR)

语言

索马里语 (Somali / Af-Soomaali)

数据集规模

• 总音频片段数：12,997
• 总文件大小：1.58 GB
• 近似时长：10.7 小时
• 样本数量：1K < n < 10K

许可协议

CC-BY-4.0

数据集内容与结构

• 音频格式：WAV，采样率 22,050 Hz，单声道 (Mono)
• 转录格式：LJSpeech 风格元数据文件 metadata.csv
• 目录结构：
  • wavs/：存放音频文件（如 00001.wav）
  • metadata.csv：每行格式为 audio_file|transcript
• 文本内容：包含日常索马里语句子、叙述性短语、发音示例、音素覆盖模式、重复声音组合及常见词汇与句法结构，重点覆盖索马里语特有发音（如 C, X, Q, DH, KH, SH, G）

说话人信息

• 女性说话人：ID 为 ubax，共 9,996 个音频片段，约 8.0 小时
• 男性说话人：ID 为 muuse，共 3,001 个音频片段，约 2.7 小时
• 支持单说话人与多说话人语音建模任务

潜在用途

• 文本转语音 (TTS)
• 自动语音识别 (ASR)
• 语音合成研究
• 语音克隆实验
• 说话人自适应
• 音素建模
• 索马里语言技术研究
• 多说话人语音训练

备注

• 数据集由索马里语文本提示和合成语音生成，为合成语音数据集。
• 仅供研究、实验和教育目的使用。

搜集汇总

数据集介绍

构建方式

Maanka Somali TTS Dataset是为索马里语文本转语音与自动语音识别研究而构建的合成语音数据集。其构建过程采用索马里语合成语音生成引擎，基于精心设计的文本语料库自动生成。文本内容涵盖日常语句、叙事短语及发音训练样例，重点覆盖索马里语特有音素组合如C、X、Q、DH、KH、SH、G等。通过系统性重复常见词汇、短语和句式，强化语音一致性，提升发音学习效率。数据集包含两位合成说话人（女性Ubax与男性Muuse），音频总量达12,997个片段，总时长约10.7小时，每段音频均以22,050 Hz采样率、单声道WAV格式存储，并配套LJSpeech风格的元数据文件。

特点

该数据集的核心特色在于其对索马里语语音建模的深度优化。通过合成语音技术规避了真实录音中可能存在的环境噪声与口音变异，确保音素覆盖的完备性与训练数据的纯净性。语料中针对索马里语中挑战性音素进行了密集采样，并刻意重复关键发音模式，从而强化模型对语音细微差异的辨识能力。双说话人设计支持单说话人与多说话人两种训练范式，为语音合成、声纹克隆及说话人自适应研究提供灵活支撑。此外，CC-BY-4.0许可协议降低了学术与工业使用的门槛，促进了低资源语言语音技术发展。

使用方法

使用本数据集时，研究者可直接通过元数据文件（metadata.csv）加载音频与文本对。每行记录包含WAV文件名及其对应的索马里语转录文本，格式简洁，便于集成至TTS或ASR训练流程。对于多说话人场景，需依据提供的说话人ID（ubax或muuse）外部分配标签。音频目录结构清晰，所有WAV文件统一存放于wavs文件夹内。数据集适用于语音合成、语音识别、发音建模及语音克隆等任务，推荐在模型预处理阶段对音频进行归一化与切片操作，并利用重复性较高的文本片段进行音素对齐验证，以充分发挥其发音覆盖优势。

背景与挑战

背景概述

Maanka Somali TTS Dataset（亦称somali-tts-corpus）是首个面向索马里语（Af-Soomaali）的公开文本转语音与自动语音识别数据集，由研究团队于近年创建，旨在填补低资源语言语音技术的空白。索马里语作为非洲之角地区超过2000万人口的母语，其独特的音位系统（如咽音C、软腭音X、小舌音Q及复合辅音DH、KH等）对现有语音模型构成严峻挑战。该数据集包含约13,000条语音片段（总计10.7小时），涵盖两位合成说话人（一男一女），专为提升索马里语发音学习、音素覆盖及语音建模效果而设计。其开源发布（CC-BY-4.0许可）为索马里语语音合成与识别研究奠定了基础，推动了低资源语言技术在全球范围内的公平发展。

当前挑战

该数据集所应对的核心领域挑战在于索马里语特有的音位系统——诸如C、X、Q、DH等音素在主流语音数据库中极少出现，导致现有文本转语音和自动语音识别模型对这些音节的识别与生成精度极低，严重阻碍了索马里语语音技术的发展。构建过程中，研究团队面临两大挑战：首先，索马里语本族语音数据极度匮乏，难以采集充足的高质量真实语音，因此必须采用合成语音生成，但合成音色与自然音色间的差异需通过精心设计的文本语料（包含重复音位组合）加以弥补；其次，为确保音素覆盖率，文本设计需反复编排大量针对性例句，在维持语句自然性的同时兼顾发音学习目标，这要求精细的语料工程与语言学知识融合。

常用场景

经典使用场景

在语音合成与语音识别交叉领域中，somali-tts-corpus作为面向索马里语的专用语料库，其经典应用场景聚焦于文本到语音（TTS）与自动语音识别（ASR）系统的联合训练与评估。该数据集包含约13,000条高质量的索马里语语音片段及其对应文本转录，覆盖了索马里语中特有的难点音素如C、X、Q、DH、KH、SH、G，并通过对词汇、短语和句式的有意重复，强化了发音一致性与语音建模的鲁棒性。研究者可借助其LJSpeech风格的元数据格式，便捷地开展端到端语音合成系统的训练，或将其作为跨语言语音识别模型中的低资源语言适配模块。

实际应用

在实际应用中，somali-tts-corpus可直接赋能索马里语智能语音助手、有声内容生成、教育辅助工具及无障碍通信系统的开发。例如，在索马里地区的语言教育场景中，基于该数据集训练的TTS系统能够生成发音准确的索马里语朗读材料，帮助学习者掌握复杂的语音规则。同时，ASR模型可被集成到移动端语音输入或实时翻译工具中，改善当地居民与政府服务、医疗咨询和金融交易系统的互动效率。此外，其合成语音特性既降低了数据采集成本，又为隐私敏感场景中的语音技术原型测试提供了合规的测试平台。

衍生相关工作

围绕该语料库，学界已衍生出一系列具有里程碑意义的研究工作。在语音合成领域，研究者借鉴其音素覆盖设计思路，构建了面向其他低资源语言（如提格雷语、奥罗莫语）的合成语料库生成管线，实现了语音技术的跨语言迁移。在语音识别方向，有工作将该数据集与Code-Switching自动语音识别架构相结合，提出了针对索马里语-英语混合语言场景的解码策略。此外，部分研究利用其多说话人结构探索了对抗性说话人解耦方法，旨在提升语音克隆系统的自然度与可控性，这些成果共同推动了非洲语言语音技术从无到有的实质性突破。