TH-CoSS数据格式与标注规范（初稿）.doc

TH-CoSS数据格式与标注规范（初稿） 清华大学计算机科学与技术系 人机交互与媒体集成研究所 2003．12 1. TH-CoSS的版本 TH-CoSS (TsingHua - Corpus of Speech Synthesis)是主要为语音合成系统的建立、测试和评估，以及语音学研究而设计的综合性大型汉语语料库。不同的数据库将以不同的序列号来标识，以适应不同领域不断发展的需求。版本序列号的命名规则如下： TH-CoSS的序列号是大写字母和数字的组合，共六位。第一和第二位是发布年份的后两位数字，如“03”表示该序列为2003年发布的；第三位用大写字母标识该语料库的关键类别，如发音人的性别（F/M）、第四位为语料收集方式（R/B/D）(R表示朗读，B表示广播，D表示对话)等；第五位为该类别发音人的序号（0-9），如“03FR0X”中第五位表示第零号女发音人；第六位表示该采用发音人的语料库序号（0-9），如“03FR00”表示2003年发布的第零号女发音人录制的第零号朗读语料库。 本次（2003年12月）发布的两个语料库的版本序列号是TH-CoSS 03MR00和TH-CoSS 03FR00。03MR00和03FR00都是为语音合成系统的建立、测试和评估，以及语音学研究而设计的综合性大型汉语语料库，前者为男声朗读语料库后者为女声朗读语料库。 2.TH-CoSS的目录结构 语音和相关数据在CDROM上是按图一的层级结构组织的。 其中，doc目录下有Technical Report、此文件和标注符号定义文ch.dtd。 doc/prompts/*/目录下为各部分文本 data目录下，每一个最底层目录内均为该部分的语音和标注文件 /-main |-test /-F_r tone |-syllable|-Neutralized /-03FR00| \-Retroflexed | | /-Question | |-intonation|-Exclamation /-data| | | /-main | | |-test /-F_r tone | | |-syllable|-Neutralized | \-03MR00| \-Retroflexed | | /-Question | |-intonation|-Exclamation TH-CoSS| | \doc| /-03FR00 \-prompts| \-03MR00 图一 目录结构 3. Data部分数据文件类型与标注规范 在data部分，有两种类型的数据文件，扩展名分别为wav和lab。 每一个语音文件.wav对应一个标注文件.lab。.lab遵守xml1.0规范的文件格式，其符号在doc目录下ch.dtd中定义。 标注数据文件记录句子中每个音节的汉字、拼音、IPA音标和始末位置等信息，同时表明韵律词和韵律短语的层级结构。标注文件采用XML格式进行说明，便于浏览和扩展。其基本标记定义如下： ?xml version=1.0 encoding=gb2312? !ELEMENT utterance (sil*,sentence) !--根元素，韵律结构的最大单元-- !ATTLIST utterance total_sample CDATA #REQUIRED !--该文件对应语音文件的采样点数-- !ELEMENT sil (#PCDATA) !--静音段-- !ATTLIST sil end_sample ID #REQUIRED !--该段的末尾采样点序号-- !ELEMENT sentence (prosodic_phrase+) !--句子-- !ELEMENT prosodic_phrase (prosodic_word+