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件20031107-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目录下的20031107-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+)>
<!--韵律短语-->
<!ELEMENT prosodic_word (syllable+,sil*)>
<!--韵律词-->
<!ELEMENT syllable (#PCDATA)>
<!--音节-->
<!ATTLIST syllable ch_char CDATA #REQUIRED>
<!--汉字-->
<!ATTLIST syllable pinyin CDATA #REQUIRED>
<!--有调拼音-->
<!ATTLIST syllable end_sample ID #REQUIRED>
<!--音节末采样点序号-->
下面以“为临帖他还远游西安碑林龙门石窟泰山摩崖石刻”一句为例，进行说明。
1) 标注的根结构为“utterance”单元，其属性为该utterance单元的采样点数（长度）。Chunk块开始到第一个句子开始其间可能有静音部分，以“<sil end_sample = “ ”>”结构说明静音段的长度。在目前的标注语料中，每个chunk单元包含一个句子。句子结构以<sentence>记号加以标注，根据需要，该记号后还可以进行扩充，以加入对句子属性的更多描述。
2) 一个sentence单元可能被划分为若干个韵律短语（Prosodic Phrase）单元，以< prosodic_phrase>记号加以修饰。
3) 同样，每个韵律短语单元还可以进一步细分为韵律词单元，以<prosodic_word>记号加以修饰。
4) 最基本的单元为音节（syllable），以<syllable>记号修饰，其后跟音节的属性，包括汉字（char），拼音（pinyin），MCIPA音标（MCIPA），音节结束位置（end_sample）。音节边界与韵律词边界之间，以及语音文件的始末部分可能还存在静音部分，同样用与音节同层的静音（sil）单元“<sil end_sample = “ ”>”加以说明。
4. TH-CoSS标注文件示例
可以看出，采用基于XML的层级标注方式，能够清晰地表示出语句的韵律层级结构，并且可以根据需要方便地扩展/删除某一标注单元的属性。下面给出一个较为完整的例子。
