WaveFake

该数据集由 104,885 个生成的音频剪辑（16 位 PCM wav）组成。我们检查了在两个参考数据集上训练的多个网络。首先，LJSpeech 数据集包含 13,100 个短音频片段（平均每个 6 秒；总共大约 24 小时），由一位女性说话者朗读。它包含来自 7 部非小说类书籍的段落，音频录制在 MacBook Pro 麦克风上。其次，我们包括基于 JSUT 数据集的样本，特别是 basic5000 语料库。该语料库由 5,000 个句子组成，涵盖了日语的所有基本汉字（平均 4.8 秒；总共大约 6.7 小时）。录音是由一位以日语为母语的女性在无回声的房间里录制的。最后，我们包括来自完整文本到语音管道的样本（16,283 个短语；平均 3.8 秒；总共大约 17.5 小时）。因此，我们的数据集总共包含大约 175 小时的生成音频文件。请注意，我们不会重新分配参考数据。