AISHELL-3

该数据集名为AISHELL-3，包含了215,705条录音，总计281小时，由304位母语为普通话的说话者贡献（其中男性73位，女性231位）。该数据集的采样率为24kHz，并已转换为40维梅尔频谱图，其帧大小为960，帧移为240。该数据集的规模涉及304位说话者，适用于最小监督下的文本转语音（TTS）和声音转换（VC）任务。

The dataset is named AISHELL-3, which contains 215,705 audio recordings totaling 281 hours, contributed by 304 native Mandarin speakers (73 males and 231 females). The sampling rate of this dataset is 24 kHz, and the audio has been converted into 40-dimensional mel-spectrograms with a frame size of 960 and a frame shift of 240. This dataset involves 304 speakers and is suitable for text-to-speech (TTS) and voice conversion (VC) tasks under minimal supervision.

搜集汇总

背景与挑战

背景概述

AISHELL-3是一个大规模、高保真的开源中文普通话语音数据集，包含85小时语音、88035句，由218名不同口音区域的发言人录制，主要用于多说话人语音合成系统训练。数据集经过专业标注，音字准确率超过98%，并提供说话人属性和多级转录，支持语音合成研究与应用。