AISHELL-3 中国語標準語音声データベースは、85 時間の音声持続時間と合計 88035 文を備えており、マルチ話者合成システムとして使用できます。録音プロセスは、高忠実度マイク (44.1kHz、16 ビット) を使用して、静かな屋内環境で行われました。このデータセットは、中国のさまざまなアクセント地域の 218 人の話者によって記録されました。プロの発音校正者がピンインと韻の注釈を行い、このデータベースの発音文字精度は 98% 以上です。