LibriTTS-R：復元されたマルチスピーカーテキスト読み上げコーパス
LibriTTS-R: A Restored Multi-Speaker Text-to-Speech Corpus
May 30, 2023
著者: Yuma Koizumi, Heiga Zen, Shigeki Karita, Yifan Ding, Kohei Yatabe, Nobuyuki Morioka, Michiel Bacchiani, Yu Zhang, Wei Han, Ankur Bapna
cs.AI
要旨
本論文では、テキスト音声合成（TTS）用途に設計された新しい音声データセット「LibriTTS-R」を紹介する。このデータセットは、2,456名の話者による24 kHzサンプリングレートの585時間の音声データと対応するテキストからなるLibriTTSコーパスに音声復元処理を適用して作成された。LibriTTS-Rの構成サンプルはLibriTTSと同一であり、音質のみが改善されている。実験結果から、LibriTTS-RのグラウンドトゥルースサンプルはLibriTTSのサンプルと比較して音質が大幅に向上していることが示された。さらに、LibriTTS-Rで学習したニューラルエンドツーエンドTTSは、グラウンドトゥルースサンプルと同等の自然な音声を生成することが確認された。本コーパスはhttp://www.openslr.org/141/から自由にダウンロード可能である。
English
This paper introduces a new speech dataset called ``LibriTTS-R'' designed for
text-to-speech (TTS) use. It is derived by applying speech restoration to the
LibriTTS corpus, which consists of 585 hours of speech data at 24 kHz sampling
rate from 2,456 speakers and the corresponding texts. The constituent samples
of LibriTTS-R are identical to those of LibriTTS, with only the sound quality
improved. Experimental results show that the LibriTTS-R ground-truth samples
showed significantly improved sound quality compared to those in LibriTTS. In
addition, neural end-to-end TTS trained with LibriTTS-R achieved speech
naturalness on par with that of the ground-truth samples. The corpus is freely
available for download from http://www.openslr.org/141/.