CoolFace
Datasetpublic

ayousanz/css10-ljspeech

CSS10-LJSpeech CSS10-LJSpeech は、Park et al. が公開した CSS10 データセットを、LJSpeech互換フォーマットに変換した10言語の音声合成用データセットです。各言語の文学作品を音声化した高品質な音声データを提供し、LJSpeechフォーマット（id|text & wavs/*.wav）に統一されています。 データ概要 項目 値 話者数 10 (言語別) 総音声数 64,196 合計時間 約 140 時間 サンプリングレート 22,050 Hz 音声フォーマット IEEE浮動小数点 (32bit) テキスト言語 10言語 フォーマット `id 言語別統計 言語 言語コード 音声数 合計時間 ドイツ語 de 7,428 16.14時間 ギリシャ語 el 1,844 4.14時間 スペイン語 es 11,016 19.15時間 フィンランド語 fi 4,842… See the full description on the dataset page: https://huggingface.co/datasets/ayousanz/css10-ljspeech.

sourceHugging Faceapache-2.0updated 1y agoView on Hugging Face
0likes69downloads
Dataset Card

CSS10-LJSpeech

CSS10-LJSpeech は、Park et al. が公開した CSS10 データセットを、LJSpeech互換フォーマットに変換した10言語の音声合成用データセットです。各言語の文学作品を音声化した高品質な音声データを提供し、LJSpeechフォーマット（id|text & wavs/*.wav）に統一されています。

データ概要

項目値
話者数10 (言語別)
総音声数64,196
合計時間約 140 時間
サンプリングレート22,050 Hz
音声フォーマットIEEE浮動小数点 (32bit)
テキスト言語10言語
フォーマット`idtext / wavs/{id}.wav`

言語別統計

言語言語コード音声数合計時間
ドイツ語de7,42816.14時間
ギリシャ語el1,8444.14時間
スペイン語es11,01619.15時間
フィンランド語fi4,84210.53時間
フランス語fr8,64919.15時間
ハンガリー語hu4,51410.00時間
日本語ja6,83914.92時間
オランダ語nl6,49414.11時間
ロシア語ru9,59921.37時間
中国語zh2,9716.45時間

ファイル構成

css10-ljspeech/
├── metadata.csv           # LJSpeech形式メタデータ (id|text)
├── audio_durations.csv    # 音声長データ (file_id, duration_seconds, language)
├── wavs/                  # 音声ファイル
│   ├── de_*.wav          # ドイツ語音声
│   ├── el_*.wav          # ギリシャ語音声
│   ├── es_*.wav          # スペイン語音声
│   ├── fi_*.wav          # フィンランド語音声
│   ├── fr_*.wav          # フランス語音声
│   ├── hu_*.wav          # ハンガリー語音声
│   ├── ja_*.wav          # 日本語音声
│   ├── nl_*.wav          # オランダ語音声
│   ├── ru_*.wav          # ロシア語音声
│   └── zh_*.wav          # 中国語音声
└── README.md             # このファイル

LJSpeechフォーマット変換

このデータセットは、元のCSS10データセットをLJSpeech互換フォーマットに変換した派生データセットです。

変換内容

  • —メタデータ形式: id|text 形式に統一
  • —ファイル命名: 言語コード付きの統一命名規則
  • —音声フォーマット: IEEE浮動小数点（32bit）を維持（高品質保持）
  • —ディレクトリ構造: LJSpeech形式に準拠

変換の利点

  • —互換性: LJSpeechベースのTTSモデルとの互換性
  • —統一性: 10言語で統一されたフォーマット
  • —品質保持: 高品質なIEEE浮動小数点フォーマットを維持
  • —使いやすさ: 標準的なTTSデータセット形式

音声長統計

  • —平均音声長: 7.875秒
  • —中央値: 8.122秒
  • —最短音声: 1.008秒
  • —最長音声: 39.500秒
  • —推奨範囲: 5.248秒～9.778秒

使用例 (🤗 Datasets)

python
from datasets import load_dataset, Audio
import pandas as pd

# メタデータの読み込み
metadata = pd.read_csv("metadata.csv")
print(f"総ファイル数: {len(metadata)}")

# 特定言語のデータを取得
german_data = metadata[metadata['language'] == 'de']
print(f"ドイツ語ファイル数: {len(german_data)}")

# 音声長でフィルタリング
filtered_data = metadata[
    (metadata['duration_seconds'] >= 5.0) & 
    (metadata['duration_seconds'] <= 10.0)
]
print(f"フィルタリング後: {len(filtered_data)}ファイル")

LJSpeech形式での読み込み

python
import pandas as pd

# LJSpeech形式メタデータの読み込み
metadata = pd.read_csv("metadata.csv", sep="|", names=["id", "text"])
print(f"LJSpeech形式ファイル数: {len(metadata)}")

# 特定のファイルの情報
sample = metadata.iloc[0]
print(f"ID: {sample['id']}")
print(f"テキスト: {sample['text']}")

librosaでの読み込み

python
import librosa
import pandas as pd

# メタデータの読み込み
metadata = pd.read_csv("metadata.csv")

# 音声ファイルの読み込み
sample_row = metadata.iloc[0]
audio_path = f"wavs/{sample_row['file_id']}.wav"
y, sr = librosa.load(audio_path, sr=22050)

# 音声長の取得
duration = librosa.get_duration(y=y, sr=sr)
print(f"ファイル: {sample_row['file_id']}")
print(f"言語: {sample_row['language']}")
print(f"テキスト: {sample_row['text']}")
print(f"音声長: {duration:.2f}秒")

huggingface-cliでDL

sh
huggingface-cli download ayousanz/css10-ljspeech --repo-type dataset --local-dir path/to/download/ --local-dir-use-symlinks False

機械学習への適用

推奨用途

  • —多言語音声合成 (TTS)
  • —音声認識 (ASR)
  • —音声変換
  • —音声品質向上
  • —言語間音声変換
  • —LJSpeechベースモデルの多言語拡張

データ前処理の推奨事項

  1. 1.音声長フィルタリング: 5.2秒～9.8秒の範囲を推奨
  2. 2.極値除外: 1秒未満や40秒超の音声は要検討
  3. 3.言語別学習: 言語固有の特徴を活かした学習
  4. 4.データ拡張: 必要に応じて音声長の正規化を検討
  5. 5.LJSpeech互換: 既存のLJSpeechベースモデルとの互換性を活用

データセット品質

評価結果

  • —音声長の一貫性: 要改善（範囲: 38.5秒）
  • —中央値からのばらつき: 優秀（平均偏差: 1.49秒）
  • —言語間の一貫性: 優秀（標準偏差: 0.107秒）

品質の特徴

✅ 優秀な点:

  • —言語間で非常に一貫した音声長分布
  • —統一された高品質フォーマット（IEEE浮動小数点32bit）
  • —十分なデータ量（64,196ファイル）
  • —多言語対応（10言語）
  • —LJSpeech互換フォーマット

⚠️ 改善点:

  • —極端に短い音声（1秒未満）と長い音声（40秒近く）が存在
  • —音声長の範囲が広い

技術仕様

音声フォーマット

  • —フォーマット: IEEE浮動小数点 (WAV Format 3)
  • —ビット深度: 32bit
  • —サンプリングレート: 22,050Hz
  • —チャンネル: モノラル
  • —ファイル形式: WAV

対応ライブラリ

  • —librosa: 直接読み込み可能
  • —scipy.io.wavfile: 対応
  • —torchaudio: 対応
  • —soundfile: 対応

ファイル命名規則

{言語コード}_{作品名}_{連番}.wav
例: de_achtgesichterambiwasse_0000.wav

メタデータ形式

metadata.csv (LJSpeech形式)

csv
id|text
de_achtgesichterambiwasse_0000|原文テキスト
de_achtgesichterambiwasse_0001|原文テキスト

audio_durations.csv

csv
file_id,duration_seconds,language
de_achtgesichterambiwasse_0000,7.483061,de

ライセンス

元データセット CSS10 は Apache License 2.0 の下で提供されています。本派生物 (変換スクリプト・フォーマット変更) も同じ Apache-2.0 ライセンスで公開します。元オーディオは LibriVox を出典とし、パブリックドメイン音声を含みますが、再配布にあたり Apache-2.0 の条項に従ってください。

引用

bibtex
@inproceedings{park2019css10,
  title={CSS10: A Collection of Single Speaker Speech Datasets for 10 Languages},
  author={Park, Kyubyong and Mulc, Thomas},
  booktitle={Proc. Interspeech},
  year={2019}
}

謝辞

  • —元のCSS10データセットの作成者に感謝いたします
  • —各言語の文学作品の著作権者に感謝いたします
  • —LJSpeechデータセットの形式を参考にさせていただきました

データセット作成日: 2025年6月19日 バージョン: 1.0 更新日: 2025年6月19日 リポジトリ: ayousanz/css10-ljspeech