Taiwanese Across Taiwan Corpus - Phase I

Description

1. Taiwanese Across Taiwan (TAT) corpus is a Large-Scale database of Native Taiwanese Article/Reading Speech collected across Taiwan for automatic speech recognition (ASR)

2. Taiwanese text-to-speech (TAT-TTS) corpus consists of high-quality recordings of 2 male and 2 female speakers (10 hours per speaker) for speech synthesis.

References

1. Yuan-Fu Liao, Chia-Yu Chang, Hak-Khiam Tiun, Huang-Lan Su, Hui-Lu Khoo, Jane S Tsay, Le-Kun Tan, Peter Kang, Tsun-guan Thiann, Un-Gian Iunn, et al. 2020. Formosa speech recognition challenge 2020 and Taiwanese across Taiwan corpus. In 2020 23rd Conference of the Oriental COCOSDA Inter- national Committee for the Co-ordination and Standardisation of Speech Databases and Assessment Techniques (O-COCOSDA), pages 65–70. IEEE.

2. Yuan-Fu Liao, Hui-Lu Khoo, Un-Gian Iunn, Tsun-Guan Thiann, Jane S. Tsay, Le-Kun Tan, Huang-Lan Su, Hak-Khiam Tiun, Peter Kang, Li-Chen Chang, Su-Lian Liao, Hong-Hūi Tân, Siok-Hong Liau and Chhun-Sui Na, et al. 2022. TAIWANESE ACROSS TAIWAN CORPUS AND ITS APPLICATIONS. In 2022 25rd Conference of the Oriental COCOSDA Inter- national Committee for the Co-ordination and Standardisation of Speech Databases and Assessment Techniques (O-COCOSDA), to appear. IEEE.

台文語音語料庫 (300 hours*6 Tracks)

說明(introduction)

TAT（Taiwanese Across Taiwan）為台語朗讀語料（reading speech），是以原生台文文本，收集來自台灣各地不同腔調的台語語音，並同時以6隻麥克風進行錄製。錄好的台語語音，經由兩次人工校正文本後，整理成可供語音辨認技術研究與開發使用之語音語料庫。目前共錄製600人，每位語者錄製半小時，總計300小時語料 (6 tracks)。並切分成3集，包括：

• TAT-Vol1~2 (100*6 hours)

• TAT-MOE (200*6 hours)

此外，為製作台語語音合成器，我們並同時進錄音室錄製台語強勢腔（漳州腔）與次強勢腔（泉州腔）各一男一女，每人10小時的語音，分別為：

• TAT-TTS-M1~2

• TAT-TTS-F1~2

其中，TAT-Vol1~2與TAT-TTS-M1~2, TAT-TTS-F1~2語料庫，已經授權社團法人中華民國計算語言學學會發行，申請人需向學會提出申請，簽妥授權使用協議書，並同意確實遵守協議書上之約定條款。

• 國內授權： http://www.aclclp.org.tw/use_mat_c.php#tat

• 國外授權： http://www.aclclp.org.tw/use_mat.php#tat

麥克風（microphones）

• ZOOM XYH-6左聲道（XYH-6-X）

• ZOOM XYH-6右聲道（XYH-6-Y）

• 電容式麥克風（condenser）

• 領夾式麥克風（lavalier）

• ios系統手機錄音（ios）

• android系統手機錄音（android）

音檔（wav）格式

取樣格式 :16kHz，16 bits PCM  

音檔格式： *.wav

JSON檔（metadata）格式

音檔格式： *.json

{

    "音檔長度": "6.69",

    "漢羅台文": "我欲坐八點十六分往屏東的車幫",

    "台羅": "guá beh tsē peh tiám tsa̍p-la̍k hun óng pîn-tong ê tshia-pang",

    "台羅數字調": "gua2 beh4 tse7 peh4 tiam2 tsap8-lak8 hun1 ong2 pin5-tong1 e5 tshia1-pang1",

    "白話字": "góa beh chē peh tiám cha̍p-la̍k hun óng pîn-tong ê chhia-pang",

    "字數": "14",

    "提示卡編號": "0012",

    "句編號": "1.1",

    "發音人": "IUF008",

    "性別": "女",

    "年齡": "20",

    "教育程度": "大學",

    "出生地": "屏東縣東港鎮",

    "現居地": "台中市西區",

    "腔調": "高屏普通腔",

    "錄音環境": "安靜隔音室內",

    "提示卡切換速度": "快",

    "總錄音時間(分)": "100"

}

Audio/Text Samples

• TAT-Vol2

Release

• GitLab server at https://speech.nchc.org.tw/