StoryTTS：具备丰富文本表达注释的高度可表达文本语音合成数据集
声音
2024-04-24 v1 计算与语言
音频与语音处理
摘要
虽然语音可表达性在可表达文本语音合成（ETTS）领域长期受到关注，但文本本身固有的可表达性却未得到充分关注，尤其是对于艺术作品的ETTS。本文介绍了StoryTTS，一个包含语音和文本两个维度丰富可表达性的高质量ETTS数据集，源自一档中文叙事节目录音。我们提出了系统且全面的文本可表达性标注框架。通过 linguistics、修辞等方法，我们分析并定义了StoryTTS中与语音相关的文本可表达性，包括五个不同维度。随后我们运用大语言模型，并以少量手动标注示例为提示，进行批量标注。最终得到的语料库包含61小时连续且高度抒情的语音，配有准确的文本转录和丰富的文本可表达性注释。因此，StoryTTS可为未来ETTS研究提供支持，使其充分挖掘丰富的内在文本和语音特征。我们 conducted experiments to validate that TTS models can generate speech with improved expressiveness when integrating with the annotated textual labels in StoryTTS.
引用
@article{arxiv.2404.14946,
title = {StoryTTS: A Highly Expressive Text-to-Speech Dataset with Rich Textual Expressiveness Annotations},
author = {Sen Liu and Yiwei Guo and Xie Chen and Kai Yu},
journal= {arXiv preprint arXiv:2404.14946},
year = {2024}
}
备注
Accepted by ICASSP 2024