本论文介绍了 AISHELL-3 数据集，用于训练多扬声器普通话语音合成系统，同时介绍了一种基于 Tacotron-2 的多扬声器语音合成基线模型，该模型结合了说话人验证模型和相应的语音相似性损失作为反馈约束。该论文旨在利用所提供的语音数据集构建鲁棒的语音合成模型，并实现零 - shot 语音克隆。实验结果表明，该多说话人合成系统在声纹嵌入相似性和等误差率测量方面均能实现较高的语音相似度。

Oct, 2020

本文介绍了英语翻译，适用于部分通话家庭普通话数据和香港科技大学普通话电话语音数据的语音翻译任务。研究表明，将通用翻译模型微调为普通话 - 英语对话电话语音训练集可以使目标领域 BLEU 提高 8 个百分点以上，突显了配对训练数据的重要性。

Mar, 2024

本文介绍了日语语音库 JVS 的构建过程和规格，并概述了其在话音合成、语音转换和多人训练等方面的研究应用。

Aug, 2019

该论文提出了一个新的语音语料库 LibriTTS，用于文本转语音，并展示了该语料库训练出的神经完整端到端的 TTS 模型在自然度方面的评估结果不低于 4.0。

Apr, 2019

WenetSpeech 是当前最大的开源普通话语音语料库，其包含 10000 小时以上高质量语音数据、2400 小时弱标注语音数据以及大约 10000 小时无标注语音数据，以及采集自多个场景下的数据，采用 OCR 及高质量 ASR 转录进行语音文本对齐，利用自研的端到端标签错误检测方法进一步筛选数据后，提供了工具集如 Kaldi、ESPnet 等，并基于三个不同测试集对其进行了基准测试。

Oct, 2021

该研究论文提供了一个智能家居技术上的创新，解决了患有口吃病的人面临的语音可变性挑战，通过开源的普通话口吃语音语料库 (MDSC) 和定制的口吃唤醒词识别系统，实现了对智能家居应用的融合。

Jun, 2024

发布了名为 AISHELL-1 的开源普通话语音语料库，是目前适用于进行普通话语音识别研究和构建普通话语音识别系统的最大语料库，实验结果表明音频录制和转录的质量是有前途的。

Sep, 2017

本研究介绍了一个由 50 名中英双语 5-6 岁儿童故事叙述构成的非母语英语语音语料库，提供了 6.5 个小时的儿童在英语（L2）故事理解测试中的文本、语法和发音错误的标注记录和人工评级分数。本语料库可用于第二语言教学，并有助于提高自动语音识别（ASR）的总体性能。

Apr, 2023

Common Voice 是一个为语音技术研究和开发设计的大型多语言转录音频资源，采用众包方式进行数据收集和验证，目前包括 29 种语言，收集了超过 2500 小时的音频数据，实现了多语言端到端的自动语音识别。

Dec, 2019

我们提供了一个多语言 TEDx 语料库，支持语音识别和语音翻译的研究，可以建立在许多非英语源语言上。这个语料库是一个来自 TEDx 演讲的音频记录集合，提供了 8 个源语言，我们将转录分割成句子，并将它们与源语言音频和目标语言翻译对齐。此外，我们提供基线模型，包括多语种模型，以提高低资源语种的翻译性能。

Feb, 2021