Wissenschaft & Forschung

Einsatz in Wissenschaft & Forschung

Die Thorsten-Voice Sprachdatensätze werden mittlerweile in über 20 wissenschaftlichen Abhandlungen von internationalen Forschungseinrichtungen verwendet.

• 11.06.2021: Sprachsynthese — State-of-the-Art in englischer und deutscher Sprache (Link)
• 17.07.2022: Neural Speech Synthesis in German (Link)
• 03.05.2023: ASR Bundestag: A Large-Scale political debate dataset in German (Link)
• 14.01.2024: Automatic Speech Recognition in German: A Detailed Error Analysis (Link)

• 24.06.2022: Exact Prosody Cloning in Zero-Shot Multispeaker Text-to-Speech (Link)
• 18.10.2022: PoeticTTS – Controllable Poetry Reading for Literary Studies (Link)
• 21.10.2022: Low-Resource Multilingual and Zero-Shot Multispeaker TTS (Link)
• 27.01.2023: Exact Prosody Cloning in Zero-Shot Multispeaker Text-to-Speech (Link)

27.04.2023: CROSS-RELIABILITY BENCHMARK TEST FOR PRESERVING EMOTIONAL CONTENT IN SPEECH–SYNTHESIS RELATED DATASETS (Link)

• 22.04.2022: LibriS2S: A German-English Speech-to-Speech Translation Corpus (Link)

Weitere Hochschulen

Thorsten-Voice Sprachdatensätze

Freie Daten (in freigiebiger Open-Source Lizenz) sind wichtig für Forschung und Wissenschaft.

Alle „Thorsten-Voice“ Sprachdatensätze stehen unter der CC0 Lizenz zur Verfügung (auf Zenodo und Huggingface). Weitere Informationen, DOIs (Digital Object Identifier) und Downloadinformationen folgen im weiteren Verlauf der Seite.

Es stehen mehrere Thorsten-Voice Sprachdatensätze mit insgesamt über 30.000 Aufnahmen und einer Laufzeit von 30+ Stunden zur Verfügung.

Thorsten-Voice Dataset 2021.02 (Neutral)

Anzahl Aufnahmen	22.668
Audiodauer	23+ Stunden
Samplerate	22.050Hz
Kanäle	Mono
Normalisierung	-24dB
Satzlänge (min/avg/max)	2 / 52 / 180 Zeichen
Sprechgeschwindigkeit (Durchschnitt)	14 Zeichen / Sekunde
Fragesätze	2.780
Ausrufesätze	1.840

Wenn ihr dieses Dataset verwendet, dann referiert es bitte.

Download: https://zenodo.org/record/5525342

@dataset{muller_thorsten_2021_5525342,
  author       = {Müller, Thorsten and
                  Kreutz, Dominik},
  title        = {Thorsten - Open German Voice (Neutral) Dataset},
  month        = feb,
  year         = 2021,
  note         = {{Please use it to make the world a better place for 
                   whole humankind.}},
  publisher    = {Zenodo},
  version      = {3.0},
  doi          = {10.5281/zenodo.5525342},
  url          = {https://doi.org/10.5281/zenodo.5525342}
}

Thorsten-Voice Dataset 2021.06 (Emotional)

Das emotionale Dataset besteht aus 300 unterschiedlichen Sätzen. Jeder davon wird von mir in folgenden acht Emotionen gesprochen.

• Neutral
• Angewidert
• Wütend
• Amüsiert
• Überrascht
• Schläfrig
• Flüsternd
• Betrunken (nur so betont, ich war nüchtern während der Aufnahmen)

Anzahl Aufnahmen	2.400
Samplerate
Kanäle	Mono
Normalisierung	-24dB
Satzlänge (min/max)	59 / 148 Zeichen

Download: https://zenodo.org/record/5525023

@dataset{muller_thorsten_2021_5525023,
  author       = {Müller, Thorsten and
                  Kreutz, Dominik},
  title        = {Thorsten - Open German Voice (Emotional) Dataset},
  month        = jun,
  year         = 2021,
  note         = {{Please use it to make the world a better place for 
                   whole humankind.}},
  publisher    = {Zenodo},
  version      = {2.0},
  doi          = {10.5281/zenodo.5525023},
  url          = {https://doi.org/10.5281/zenodo.5525023}
}

Thorsten-Voice Dataset 2022.10 (Neutral)

Anzahl Aufnahmen	12.432
Audiodauer	11+ Stunden
Samplerate	22.050Hz
Kanäle	Mono
Normalisierung	-24dB
Sprechgeschwindigkeit (Durchschnitt)	17,5 Zeichen / Sekunde

@dataset{muller_thorsten_2022_7265581,
  author       = {Müller, Thorsten and
                  Kreutz, Dominik},
  title        = {ThorstenVoice Dataset 2022.10},
  month        = oct,
  year         = 2022,
  publisher    = {Zenodo},
  version      = {1.0},
  doi          = {10.5281/zenodo.7265581},
  url          = {https://doi.org/10.5281/zenodo.7265581}
}

Hier gibt’s mein Releasevideo zum neuen Dataset.

Mehr Infos und Download: https://zenodo.org/record/7265581

Thorsten-Voice Dataset 2023.09 (Hessisch)

Anzahl Aufnahmen	2.108
Audiodauer	ca. 2 Stunden
Samplerate	22.050Hz
Kanäle	Mono
Normalisierung	-24dB

Wenn ihr dieses Dataset verwendet, dann referiert es bitte.

Download: https://zenodo.org/record/5525342

@dataset{muller_2024_10511260,
  author       = {Müller, Thorsten and
                  Kreutz, Dominik},
  title        = {Thorsten-Voice Dataset 2023.09 Hessisch},
  month        = jan,
  year         = 2024,
  publisher    = {Zenodo},
  doi          = {10.5281/zenodo.10511260},
  url          = {https://doi.org/10.5281/zenodo.10511260}
}

 

Thorsten-Voice Dataset
(TV-44kHz-Full)

Dieses Dataset steht auf Huggingface bereit. Hightlights 🎉 sind:

• ALLE AUFNAHMEN in einem Dataset
• Aufnahmen in der original Samplerate von 44kHz
• Logisch aufgeteilt in verschiedene Subsets (gemäß den oben genannten Aufteilungen)
• Dauert pro Aufnahme
• Sprechgeschwindigkeit
• Monat der Aufnahme
• Qualität der Aufnahme

@misc {thorsten_müller_2024,
    author       = { {Thorsten Müller} },
    title        = { TV-44kHz-Full (Revision ff427ec) },
    year         = 2024,
    url          = { https://huggingface.co/datasets/Thorsten-Voice/TV-44kHz-Full },
    doi          = { 10.57967/hf/3290 },
    publisher    = { Hugging Face }
}

Thorsten-Voice Dataset 2025.12 (Mini Fine Tuning)

Steht auf Huggingface als CC0 zur Verfügung (Link).

Es enthält mit lediglich 60 Aufnahmen (24kHz Samplerate, normalisiert auf -24dB) deutlich weniger als die sonstigen Datasets. Sein Zweck besteht im Finetuning bestehender (Thorsten-Voice TTS) Modellen.