数据集卡片：lj_speech

数据集概述

这是一个公共领域的语音数据集，包含了一位演讲者朗读7本英文非小说书籍的13,100个短音频片段。每个片段都有相应的转录文本。这些片段的长度从1秒到10秒不等，总长度约为24小时。

这些文本书籍发表于1884年至1964年之间，属于公共领域。这些音频是由LibriVox项目于2016-17年录制的，同样属于公共领域。

支持的任务和排行榜

该数据集可用于训练自动语音识别（ASR）或文本到语音（TTS）模型。

• other:automatic-speech-recognition：ASR模型给定音频文件，并被要求将音频文件转录为书面文本。最常见的ASR评估指标是词错误率（WER）。
• other:text-to-speech：TTS模型给定自然语言的书面文本，并被要求生成语音音频文件。音频质量的一个合理评估指标是平均意见分数（MOS）。该数据集有一个活动的排行榜，可以在 https://paperswithcode.com/sota/text-to-speech-synthesis-on-ljspeech 中找到。

语言

转录和音频为英文。

数据集结构

数据实例

一个数据点包括音频文件的路径，称为file，以及其转录，称为text。还提供了文本的归一化版本。

{
    'id': 'LJ002-0026',
    'file': '/datasets/downloads/extracted/05bfe561f096e4c52667e3639af495226afe4e5d08763f2d76d069e7a453c543/LJSpeech-1.1/wavs/LJ002-0026.wav',
    'audio': {'path': '/datasets/downloads/extracted/05bfe561f096e4c52667e3639af495226afe4e5d08763f2d76d069e7a453c543/LJSpeech-1.1/wavs/LJ002-0026.wav',
      'array': array([-0.00048828, -0.00018311, -0.00137329, ...,  0.00079346,
              0.00091553,  0.00085449], dtype=float32),
      'sampling_rate': 22050},
    'text': 'in the three years between 1813 and 1816,'
    'normalized_text': 'in the three years between eighteen thirteen and eighteen sixteen,',
}

每个音频文件是单声道的16位PCM WAV，采样率为22050 Hz。

数据字段

• id：数据样本的唯一ID。

• file：下载的音频文件的路径，以.wav格式。

• audio：包含下载的音频文件路径、解码的音频数组和采样率的字典。注意，在访问音频列时：dataset[0]["audio"]，音频文件会自动解码和重新采样到dataset.features["audio"].sampling_rate。解码和重新采样大量音频文件可能需要相当长的时间。因此，首先查询样本索引，然后再访问"audio"列，即dataset[0]["audio"]应始终优先于dataset["audio"][0]。

• text：音频文件的转录。

• normalized_text：将数字、序数词和货币单位展开为完整单词的转录。

数据拆分

该数据集未进行预先拆分。一些统计信息：

• 总片段数：13,100个
• 总单词数：225,715个
• 总字符数：1,308,678个
• 总时长：23:55:17
• 平均片段时长：6.57秒
• 最短片段时长：1.11秒
• 最长片段时长：10.10秒
• 每个片段平均单词数：17.23个
• 不同的单词数：13,821个

数据集创建

策划理由

[需要更多信息]

源数据

该数据集包含以下作品的摘录：

• Morris, William等人的《工艺美术论文》，1893年。
• Griffiths, Arthur的《纽盖特编年史》，第2卷，1884年。
• Roosevelt, Franklin D.的《富兰克林·德拉诺·罗斯福的壁炉边谈话》，1933-42年。
• Harland, Marion的《初学者烹饪手册》，1893年。
• Rolt-Wheeler, Francis的《宇宙的科学历史，第5卷：生物学》，1910年。
• Banks, Edgar J.的《古代世界的七大奇迹》，1916年。
• 总统肯尼迪遇刺调查委员会的《总统肯尼迪遇刺调查委员会报告》，1964年。

有关归一化的一些详细信息：

• 归一化转录将数字、序数词和货币单位展开为完整单词（UTF-8）。
• 19个转录包含非ASCII字符（例如，LJ016-0257包含"raison d'être"）。
• 以下缩写出现在文本中。它们可展开如下：

[需要更多信息]

注释

• 音频片段的长度大约从1秒到10秒不等。它们是根据录音中的静音自动分割的。片段边界通常与句子或从句的边界对齐，但不总是如此。
• 文本与音频的匹配是手动进行的，并进行了质量保证以确保文本准确匹配音频中的发音。

Linda Johnson在LibriVox录制，Keith Ito进行对齐和注释。

个人和敏感信息

该数据集包含在线捐赠他们声音的人们。您同意不会试图确定此数据集中发言者的身份。

使用数据的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

• 原始的LibriVox录音以128 kbps的MP3文件形式分发。因此，它们可能包含MP3编码引入的伪像。

其他信息

数据集维护者

该数据集最初由Keith Ito和Linda Johnson创建。

许可信息

公共领域（ LibriVox ）

引用信息

@misc{ljspeech17,
  author       = {Keith Ito and Linda Johnson},
  title        = {The LJ Speech Dataset},
  howpublished = {\url{https://keithito.com/LJ-Speech-Dataset/}},
  year         = 2017
}

贡献

感谢 @anton-l 添加了该数据集。