jsut lab

jsut-lab

El repositorio proporciona archivos de alineación de estilo HTK/HTS con etiquetas adicionales de contexto completo para JSUT (Corpus de discurso japonés de Saruwatari-Lab., University of Tokio) Corpus (V1.1). Todos los archivos de alineación (.lab) se extrajeron mediante alineación forzada utilizando Julius y OpenJTalk generan contextos completos.

Se espera que los archivos de la etiqueta se utilicen para la resolución del habla; por ejemplo, texto a voz y conversión de voz.

La estructura del directorio es exactamente la misma que la JSUT. Puede poner los archivos de la etiqueta en el directorio de datos JSUT si lo desea:

 tree ~/data/jsut_ver1.1/ -d -L 2
/home/ryuichi/data/jsut_ver1.1/
├── basic5000
│   ├── lab
│   └── wav
├── countersuffix26
│   ├── lab
│   └── wav
├── loanword128
│   ├── lab
│   └── wav
├── onomatopee300
│   ├── lab
│   └── wav
├── precedent130
│   ├── lab
│   └── wav
├── repeat500
│   ├── lab
│   └── wav
├── travel1000
│   ├── lab
│   └── wav
├── utparaphrase512
│   ├── lab
│   └── wav
└── voiceactress100
    ├── lab
    └── wav

Formato de etiqueta

Fields: <begin_time> <end_time> <full-context-label> . El tiempo se encuentran en unidades de 100ns al igual que las etiquetas HTK.

 $ cat basic5000/lab/BASIC5000_0773.lab | head
 
0 2525000 xx^xx-sil+s=a/A:xx+xx+xx/B:xx-xx_xx/C:xx_xx+xx/D:18+xx_xx/E:xx_xx!xx_xx-xx/F:xx_xx#xx_xx@xx_xx|xx_xx/G:6_3%0_xx_xx/H:xx_xx/I:xx-xx@xx+xx&xx-xx|xx+xx/J:1_6/K:3+6-32
2525000 3825000 xx^sil-s+a=N/A:-2+1+6/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
3825000 4825000 sil^s-a+N=g/A:-2+1+6/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
4825000 5825000 s^a-N+g=i/A:-1+2+5/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
5825000 6125000 a^N-g+i=i/A:0+3+4/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
6125000 7524999 N^g-i+i=N/A:0+3+4/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
7524999 8125000 g^i-i+N=w/A:1+4+3/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
8125000 8425000 i^i-N+w=a/A:2+5+2/B:xx-xx_xx/C:18_xx+xx/D:24+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
8425000 10125000 i^N-w+a=pau/A:3+6+1/B:18-xx_xx/C:24_xx+xx/D:07+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32
10125000 11325000 N^w-a+pau=d/A:3+6+1/B:18-xx_xx/C:24_xx+xx/D:07+xx_xx/E:xx_xx!xx_xx-xx/F:6_3#0_xx@1_1|1_6/G:3_1%0_xx_0/H:xx_xx/I:1-6@1+3&1-6|1+32/J:2_10/K:3+6-32

Para más detalles, consulte los documentos HTS: http://hts.sp.nitech.ac.jp

¿Qué puedo hacer con esto?

Si desea realizar sistemas TTS basados ​​en DNN tradicionales, consulte los tutoriales en https://r9y9.github.io/nnmnkwii/latest/. Puede usar etiquetas de alineación y contexto completo para generar características lingüísticas.

Si está interesado en enfoques de extremo a extremo, eche un vistazo a https://github.com/espnet/espnet. Las etiquetas se usan en la etapa de preprocesamiento para la receta JSUT (ver también https://r9y9.github.io/blog/2017/11/12/jsut_ver1/ para saber por qué necesitamos alineaciones para TTS de extremo a fin).

¡Feliz hackear del discurso!

Código fuente para generar etiquetas

https://github.com/r9y9/segmentation-kit/tree/jsut3

Aviso

• Es probable que las alineaciones tengan errores porque Julius los generó automáticamente. Tenga en cuenta que no son etiquetas anotadas a mano.

Referencias

• JSUT (Corpus de discurso japonés de Saruwatari-Lab., Universidad de Tokio)
• HTS
• Julio
• OpenJTalk
• 日本語 de extremo a extremo 音声合成に使えるコーパス JSUT の前処理 [ARXIV: 1711.00354]
• pyopenjtalk
• nnmnkwii
• Sarulab-habla/JSUT-Label Información fonética y prosódica anotada a mano de Saruwatari-Lab.