开放下载丨超自然对话语音合成数据集NCSSD

内蒙古大学S2LAB 刘瑞研究员 联合字节跳动、香港中文大学（深圳）等单位推出了涵盖中英双语、超过236小时的超自然对话语音合成数据集——NCSSD，并在GitHub平台开源了搜集子集的数据构建Pipeline，在Hugging Face平台开放了数据下载页面。

您可以通过以下链接免费下载并立即开始使用：

Hugging Face数据集页面：

https://huggingface.co/datasets/walkerhyf/NCSSD

  GitHub数据仓库：

https://github.com/walker-hyf/NCSSD

  GitHub源码仓库：

https://github.com/walker-hyf/GPT-Talker

  GPT-Talker样例页面：

https://walker-hyf.github.io/GPT-Talker/

  arXiv预印本论文：

https://arxiv.org/pdf/2407.21491

 NCSSD数据集简介：

• 超236小时自然对话语音数据，包括搜集自互联网的电视剧集片段（搜集子集），以及人工录制的对话内容（录制子集）。

• 支持两种语言：中文（Zh）和英语（En）

• 丰富的对话场景，涵盖多种对话主题和内容，丰富的说话人（776人以上）。

• 基于NCSSD训练的GPT-Talker性能优秀，可以为agent合成自然且具有表现力的对话语音。

 NCSSD 数据集统计

 GPT-Talker模型结构图

NCSSD数据集构建过程

通过NCSSD数据集，研究者和开发者可以进行大规模语音合成模型的训练和开发，为多语言环境下的语音应用提供强有力的支持！期待大家在使用NCSSD数据集时能够发掘更多惊喜，欢迎分享您的研究成果与经验！

请注意：该数据集仅可用于非商业科研目的，S2LAB团队不拥有搜集子集部分(CL-ZH和CL-EN)音频文件的版权，版权仍归原始视频或者音频的所有者。想把该数据集及Pipeline用于商业用途，请联系S2LAB团队。

联系我们：liurui_imu @163.com, hyfwalker@163.com

内蒙古大学语音理解与生成实验室 S2LAB：https://ttslr.github.io/