来源：调用 腾讯优图API合成的数据 两个实验： 音频数据 单人(女声) 50k的句子 大约50小时+ 多人：4个人，每个人6k的句子，各5个多小时，一共22小时 质量： 比较流畅，不是很生硬 文本数据 aishell 部分文本数据 AISHELL数据集是一个语音识别的数据集合，涉及多个领域，保证音素平衡 PS: 文本各个长度也要覆盖,保证泛化能力 进一步 只用一个人的语音合成,保证泛化能力的话，最好有20小时以上的音频数据 多人合成，减少每个人音频的需求量大大减少，生成的质量也有一定的损失 百度语音(已经收集部分，质量比腾讯优图优图差一点) 科大讯飞(正在写，每天限制500次，时间长) 保证质量需要一两小时(不确定？)，百度的Deep Voice 2/3 在英文合成只用了平均每个人半个小时
