jspaulsen/esd

---
license: cc-by-nc-4.0
task_categories:
- audio-classification
- automatic-speech-recognition
language:
- zh
- en
tags:
- emotion
- speech
- voice
size_categories:
- 10K<n<100K
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: audio
dtype: audio
- name: transcript
dtype: string
- name: emotion
dtype: string
- name: speaker_id
dtype: string
- name: gender
dtype: string
- name: language
dtype: string
splits:
- name: train
num_bytes: 3353221499.0
num_examples: 35000
download_size: 3145534453
dataset_size: 3353221499.0
---

# Emotional Speech Dataset (ESD)

The Emotional Speech Dataset (ESD) is a multilingual emotional speech corpus containing parallel recordings in English and Chinese across 5 emotions.

## Dataset Details

- **Total samples**: 35,000
- **Speakers**: 20 (10 Chinese, 10 English)
- **Emotions**: anger, happiness, neutral, sadness, surprise (7,000 each)
- **Languages**: Chinese (zh), English (en) - 17,500 each
- **Gender**: 10 male, 10 female speakers

## Dataset Structure

| Column | Description |
|--------|-------------|
| `audio` | Audio waveform (WAV) |
| `transcript` | Text transcription |
| `emotion` | anger, happiness, neutral, sadness, surprise |
| `speaker_id` | Speaker identifier (0001-0020) |
| `gender` | male / female |
| `language` | zh (Chinese) / en (English) |

## Usage

```python
from datasets import load_dataset

dataset = load_dataset("jspaulsen/esd")
```

## Citation

```bibtex
@inproceedings{zhou2021seen,
title={Seen and unseen emotional style transfer for voice conversion with a new emotional speech dataset},
author={Zhou, Kun and Sisman, Berrak and Liu, Rui and Li, Haizhou},
booktitle={ICASSP 2021-2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={920--924},
year={2021},
organization={IEEE}
}

@article{zhou2021emotional,
title={Emotional voice conversion: Theory, databases and ESD},
journal={Speech Communication},
volume={137},
pages={1-18},
year={2022},
issn={0167-6393}
}
```

许可证：cc-by-nc-4.0
任务类别：
- 音频分类
- 自动语音识别
语言：
- 中文（zh）
- 英语（en）
标签：
- 情感
- 语音
- 人声
样本规模：10K < 样本数 < 100K
配置项：
- 配置名称：default
数据文件：
- 拆分集：train（训练集）
路径：data/train-*
数据集信息：
特征项：
- 名称：audio，数据类型：音频
- 名称：transcript，数据类型：字符串
- 名称：emotion，数据类型：字符串
- 名称：speaker_id，数据类型：字符串
- 名称：gender，数据类型：字符串
- 名称：language，数据类型：字符串
拆分集信息：
- 拆分集名称：train，字节大小：3353221499.0，样本数量：35000
下载大小：3145534453，数据集总大小：3353221499.0

# 情感语音数据集（Emotional Speech Dataset，ESD）
情感语音数据集（ESD）是一款多语言情感语音语料库，包含英语与汉语的平行录制语料，涵盖5种情感类别。

## 数据集详情
- **总样本量**：35000
- **说话人规模**：20位，其中10位为中文母语者，10位为英语母语者
- **情感类别**：愤怒、喜悦、中性、悲伤、惊讶，每类各7000条样本
- **语言分布**：中文（zh）、英语（en），各17500条样本
- **性别分布**：10名男性说话人与10名女性说话人

## 数据集结构
| 列名 | 描述 |
|------|------|
| `audio` | 音频波形（WAV格式） |
| `transcript` | 文本转写内容 |
| `emotion` | 情感标签，可选值为愤怒、喜悦、中性、悲伤、惊讶 |
| `speaker_id` | 说话人标识符，取值范围为0001-0020 |
| `gender` | 性别，可选值为male（男）/ female（女） |
| `language` | 语言，可选值为zh（中文）/ en（英文） |

## 使用方法
python
from datasets import load_dataset

dataset = load_dataset("jspaulsen/esd")

## 引用格式
bibtex
@inproceedings{zhou2021seen,
title={Seen and unseen emotional style transfer for voice conversion with a new emotional speech dataset},
author={Zhou, Kun and Sisman, Berrak and Liu, Rui and Li, Haizhou},
booktitle={ICASSP 2021-2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={920--924},
year={2021},
organization={IEEE}
}

@article{zhou2021emotional,
title={Emotional voice conversion: Theory, databases and ESD},
journal={Speech Communication},
volume={137},
pages={1-18},
year={2022},
issn={0167-6393}
}