SSS-data-trainscript

日本語音声合成用の音声データセットです。

データセットの説明

• 説明: 日本語音声合成用の音声データセット
• ライセンス: CC BY-SA 4.0
• 言語: 日本語

データセットの構造

データセットは以下の構造で構成されています：

• data/: 音声ファイル（.wav）が格納されています
• metadata.jsonl: 各音声ファイルに対応するテキストデータが格納されています

データ形式

metadata.jsonlの各行は以下の形式のJSONオブジェクトです：

{
    "file_name": "data/example.wav",
    "text": "対応するテキスト"
}

データセット作成スクリプト

データセットの作成には以下のスクリプトを使用しています：

create_index_from_lists.py

音声ファイルとテキストデータを紐付けるためのインデックスファイル（index_all.txt）を生成するスクリプトです。

主な機能：

• 複数の台本ファイルからテキストデータを読み込み
• 音声ファイルとテキストデータの対応付け
• 異なるディレクトリ構造やファイル命名規則に対応
• 感情表現、朗読、通常音声など、様々な種類の音声データに対応

対応する台本ファイル：

• emotion_transcript_no_kana_no_reading.txt: 感情表現用の台本
• recitation_transcript_no_kana_no_reading.txt: 朗読用の台本
• Rohan4600_transcript_no_kana_no_reading.txt: ROHANコーパス用の台本
• 01 補足なし台本（JSUTコーパス・JVSコーパス版）.txt: JSUT/JVSコーパス用の台本

create_metadata.py

index_all.txtからmetadata.jsonlを生成するスクリプトです。

主な機能：

• index_all.txtの読み込み
• 音声ファイルの存在確認
• Hugging Faceデータセット用のメタデータ形式への変換

重要なファイル

index_all.txt

音声ファイルとテキストデータの対応関係を記録した重要なファイルです。

形式：

音声ファイルパス:テキストデータ

特徴：

• 拡張子なしの音声ファイルパスとテキストデータがコロン（:）で区切られています
• 音声ファイルのパスは相対パスで記録されています
• テキストデータが存在しない場合は空文字列が記録されます

このファイルは以下の目的で使用できます：

• 音声ファイルとテキストデータの対応関係の確認
• データセットの更新や再生成
• 特定の音声ファイルのテキストデータの検索
• データセットの品質管理

使用方法

データセットの読み込み

from datasets import load_dataset

dataset = load_dataset("ayousanz/SSS-data-trainscript")

インデックスファイルの使用例

def load_index_data():
    data = {}
    with open('index_all.txt', 'r', encoding='utf-8') as f:
        for line in f:
            if ':' in line:
                path, text = line.strip().split(':', 1)
                data[path] = text
    return data

# インデックスデータの読み込み
index_data = load_index_data()

# 特定の音声ファイルのテキストを取得
text = index_data.get('path/to/audio/file', '')