声明：语音合成（TTS)论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。

欢迎关注微信公众号：低调奋进

AISHELL-3: A Multi-speaker Mandarin TTS Corpus and the Baselines

本次介绍中文开源数据的文章，该文章由北京希尔贝壳公司于2020.10.22更新，主要开源了多说话人数据，用于训练multispeaker TTS，为TTS的研究做贡献，具体的文章链接https://arxiv.org/pdf/2010.11567.pdf

1 研究背景

语音合成的训练数据十分昂贵，尤其训练多人的TTS模型，需要大量的多人训练数据，这给很多个人或者研究机构造成很大阻碍。基于开源精神，北京希尔贝壳开源了218说话人85小时的高质量训练数据，给中文TTS研究提供很大的帮助，在此鼓掌，具体的网址AISHELL-3 Baseline Samples

2 数据情况和验证

接下来讲一下开源的数据，数据包含218人数据，数据为44.1khz,16bit。该数据集覆盖了性别，年龄，地域，多领域语料等多项因素，具体的数据分布如table 1

另外为了验证数据，本文提供了基于tacotron的多人TTS架构，如图2所示，具体每个模块不做介绍。

我们直接看结果如图3展示，验证集和测试集的speaker embedding很好的聚类。

客观的评测SV-EER和Cosine distance也跟vctk结果一致，可以用来今后TTS架构评测标准。

3 总结

高质量的中文语音合成开源数据集相当稀少，本文无私的提供了这样一个多人数据集，为语音合成的研究发展添砖添瓦。