实时互动网
·
Google AI 发布 WAXAL：用于训练自动语音识别和文本转语音模型的多语言非洲语音数据集
内容提要
WAXAL是一个开放的多语言语音数据集，涵盖24种非洲语言，专为自动语音识别（ASR）和文本转语音（TTS）设计。ASR部分通过图像提示自然采集语音，TTS部分在录音棚中高质量录制，确保语音一致性。
关键要点
-
WAXAL是一个开放的多语言语音数据集，涵盖24种非洲语言，专为自动语音识别（ASR）和文本转语音（TTS）设计。
-
ASR部分通过图像提示自然采集语音，录音在受试者的自然环境中进行，确保更自然的语言生成。
-
TTS部分在专业录音棚中高质量录制，确保语音一致性，使用语音平衡的脚本。
-
ASR和TTS的数据需求不同，因此WAXAL被构建为两个独立的资源。
-
ASR部分的转录文本由当地语言专家制作，当前版本包含约10%的录音转录。
-
TTS部分邀请72位社区成员参与，男女配音演员人数相等，目标是每位配音演员录制约16小时的音频。
-
WAXAL避免将语音数据视为单一类别，强调ASR和TTS流程需要不同的监督信号。
延伸解读
WAXAL的独特设计
WAXAL数据集的设计考虑了ASR和TTS的不同需求，分别采用自然环境和专业录音棚的方式进行数据采集。这种分离设计确保了在不同应用场景下的最佳性能，尤其是在处理非洲语言时，能够更好地捕捉到语言的多样性和自然性。
数据采集的挑战与优势
WAXAL的ASR部分通过图像提示采集语音，虽然增加了转录的复杂性，但能够更真实地反映自然语言的使用。这种方法虽然面临转录难度，但却能有效捕捉到不同说话人和环境下的语言变异，提升了数据的实用性。
TTS的高质量标准
WAXAL的TTS部分专注于高质量的单人合成语音，采用专业录音棚环境和语音平衡的脚本。这种设计确保了合成语音的一致性和清晰度，适合用于各种应用场景，尤其是在需要高保真度的语音合成时。
延伸问答
WAXAL是什么？
WAXAL是一个开放的多语言语音数据集，涵盖24种非洲语言，专为自动语音识别（ASR）和文本转语音（TTS）设计。
WAXAL的ASR部分是如何收集语音数据的？
ASR部分通过图像提示自然采集语音，受试者用母语描述所见内容，录音在自然环境中进行。
WAXAL的TTS部分有什么特点？
TTS部分在专业录音棚中高质量录制，使用语音平衡的脚本，确保发音一致性。
WAXAL如何确保ASR和TTS的质量？
ASR部分的转录文本由当地语言专家制作，TTS部分邀请72位社区成员参与，确保音频质量。
WAXAL的ASR和TTS部分有什么不同？
ASR和TTS对数据的需求不同，ASR关注自然环境中的语音采集，而TTS则强调录音条件和发音一致性。
WAXAL对非洲语言的研究有什么意义？
WAXAL旨在提高资源匮乏的非洲语言在自动语音识别和文本转语音领域的代表性，促进相关技术的发展。
