NonverbalTTSは、2025年にVK LabとYandexによってリリースされた非言語音声生成データセットです。関連する論文の結果は次のとおりです。NonverbalTTS: 感情注釈付きテキスト対応非言語発声の公開英語コーパス（テキスト読み上げ用）」は、表現力豊かなテキスト音声変換（TTS）研究を促進し、感情や非言語音を含む自然な音声を生成するモデルをサポートすることを目的としています。 このデータセットには、2,296 人の参加者 (男性 60%、女性 40%) による 17 時間分の高品質音声データが含まれており、10 種類の非言語音声 (呼吸、笑い、ため息、くしゃみ、咳、咳払い、うめき声、うなり声、いびき、吸入) と 8 つの感情カテゴリ (怒り、嫌悪、恐怖、幸福、中立、悲しみ、驚き、その他) をカバーしています。

データセットの機能:

• マルチソースデータ: VoxCelebとExpressoコーパスから派生
• 豊富なメタデータ: 感情タグ、非言語音声注釈、話者ID、音声品質メトリクス
• サンプリングレート: VoxCeleb のオーディオは 16kHz、Expresso のオーディオは 48kHz

引用

@inproceedings{borisov25_ssw, タイトル = {{NonverbalTTS: テキスト音声合成のための感情注釈付きテキスト整合非言語発声の公開英語コーパス}}, 著者 = {Maksim Borisov、Egor Spirin、Daria Diatlova}、 年 = {2025}、 書籍タイトル = {{第13回音声合成ワークショップ}}、 ページ = {104–109}、 doi = {10.21437/SSW.2025-16}、 }