文本到語音合成（Text to Speech，TTS）作為生成式人工智能（Generative AI 或 AIGC）的重要課題，在近年來取得了飛速發展。為了實現高效合成既自然又高質量的人類語音，有不少機構及企業都進行了相關項目的研究，包括微軟亞洲研究院機器學習組和微軟 Azure 語音團隊去年推出的NaturalSpeech（https://speechresearch.github.io/naturalspeech2/）還有Meta今年發布的Voicebox（https://voicebox.metademolab.com/），都是利用大數據、大模型和零樣本（zero-shot)合成技術，實現語音合成的音色、韻律、風格的多樣性的代表。

語音TTS已經走向了AIGC大模型模式，利用大規模預訓練數據，加上高品質的SFT數據，實現zero-shot的聲音復刻正成為越來越火熱的技術趨勢。同時零樣本語音合成在娛樂產業、云平臺、通用AI平臺及AIGC領域都有廣泛的應用場景，包括電影電視配音及解說、有聲書、游戲角色配音、虛擬主播、語音導航等。

在此背景下，晴數智慧前瞻性地推出“高品質語音大模型SFT數據集”，此數據具備48KHz高采樣率，采集人數上萬，環境純凈，內容自然多樣，近萬小時，是語音SFT的絕佳數據。

數據集參數：

話題分布：涉及休閑娛樂等15個話題

說話人信息：為保證語音的多樣性，此數據集由來自中國各方言地區超3萬人參與錄制，男女近似比1:1，以中青年為主，地域分布廣泛。

說話人男女比

說話人年齡分布

說話人地域分布

此數據已被數家娛樂產業頭部企業運用于AIGC語音合成研發及應用，數據質量經過實踐檢驗。更多數據詳情，資訊我們的數據專家。