stilletto/ruslan-stressed

RUSLAN with Word Stress Marks · RUSLAN с проставленными ударениями

English / Русский

---

English

What is this?

A drop-in replacement for the metadata of the RUSLAN Russian single-speaker TTS corpus, with word-stress marks added to every multi-syllabic Russian word in the transcripts. Audio is bundled unchanged.

The motivation is to train Russian TTS models (e.g. Kokoro, Tacotron, VITS, StyleTTS, XTTS) that pronounce words with correct lexical stress. Vanilla Russian text does not encode stress, and stress placement is one of the hardest things for a TTS model to learn from raw orthography alone — especially for homographs (за́мок "castle" vs замо́к "lock", му́ка "torment" vs мука́ "flour", etc.). Training on stress-annotated text removes that ambiguity and dramatically improves prosody.

Source

• Audio + original transcripts: the RUSLAN corpus by Lenar Gabdrakhmanov, Rustem Garaev and Evgenii Razinkov (Interspeech 2019), released under CC BY 4.0.
• Stress annotation: added by Anthropic Claude Opus via the Claude Code CLI, followed by automatic validation (vowel-position check, text-integrity check) and small targeted fixes for proper-name typos.

Contents

metadata.csv          # 22,200 lines, pipe-delimited: filename|text_with_stress
wavs_part_001.tar     # samples 000000…007399 (≈2.1 GB) — wav + paired txt
wavs_part_002.tar     # samples 007400…014799 (≈3.2 GB) — wav + paired txt
wavs_part_003.tar     # samples 014800…022199 (≈4.2 GB) — wav + paired txt

The data is laid out in the WebDataset convention: each sample consists of a .wav and a .txt sharing the same key (000123_RUSLAN.wav ↔ 000123_RUSLAN.txt), both stored together inside the same .tar shard. The HuggingFace dataset viewer pairs them automatically.

metadata.csv is provided as a convenience for users who only want the text; it is the exact concatenation of all .txt files (filename|text per line).

The audio is split into three uncompressed .tar shards instead of being uploaded as 22,200 individual files (HuggingFace rate-limits per-file commits on free tier). After download, extract every shard to get a flat folder with matched .wav/.txt pairs:

mkdir -p data
for f in wavs_part_*.tar; do tar -xf "$f" -C data; done

Total: 22,200 mono 22 kHz WAV files (≈31 hours of speech) + matching .txt transcripts with stress marks.

Stress format

• The stress mark is U+0301 COMBINING ACUTE ACCENT, placed immediately after the stressed vowel (so a single grapheme cluster а́, е́, о́, etc.).
• Every multi-syllabic word is stressed. Single-syllable words (including pronouns/prepositions like я́, мне́, что́, на́) are also marked.
• The letter ё is implicitly stressed and is not combined with U+0301 (we keep ё, never ё́).
• Numbers, abbreviations and Latin-script tokens are left without stress.
• Homographs are disambiguated from sentence context by the model.

Loading example

from datasets import load_dataset
ds = load_dataset("stilletto/ruslan-stressed", split="train")
print(ds[0])
# {'filename': '000000_RUSLAN', 'text': 'С тре́вожным чу́вством беру́сь я́ за́ перо́.', 'audio': {...}}

Or directly from CSV:

import csv
with open("metadata.csv", encoding="utf-8") as f:
    for line in f:
        fn, text = line.rstrip("\n").split("|", 1)
        # fn → wavs/{fn}.wav

License

CC BY 4.0, inherited from the original RUSLAN corpus.

When using this dataset please cite the original RUSLAN paper:

@inproceedings{gabdrakhmanov2019ruslan,
  title={RUSLAN: Russian Spoken Language Corpus for Speech Synthesis},
  author={Gabdrakhmanov, Lenar and Garaev, Rustem and Razinkov, Evgenii},
  booktitle={Interspeech 2019},
  year={2019}
}

Known limitations

• Stress was placed by an LLM. While ≥99.9 % of lines pass automated validation (correct vowel position, text integrity), occasional homograph errors are possible and should be expected at training scale.
• Audio is unchanged from the original RUSLAN release; no extra cleanup or re-segmentation has been done.

---

Русский

Что это?

Это датасет на базе русского однодикторного TTS-корпуса RUSLAN, в котором к транскрипциям добавлены ударения для всех многосложных русских слов. Аудио прикладывается без изменений.

Цель — обучение русских TTS-моделей (Kokoro, Tacotron, VITS, StyleTTS, XTTS и т. п.), которые произносят слова с правильным ударением. В обычном русском тексте ударение никак не кодируется, и для модели это одна из самых сложных вещей, особенно для омографов (за́мок vs замо́к, му́ка vs мука́ и т. д.). Обучение на размеченном тексте снимает эту неоднозначность и заметно улучшает просодию.

Источник данных

• Аудио и оригинальные транскрипции — корпус RUSLAN (Ленар Габдрахманов, Рустем Гараев, Евгений Разинков, Interspeech 2019), лицензия CC BY 4.0.
• Разметка ударений — выполнена моделью Anthropic Claude Opus через Claude Code CLI с последующей автоматической валидацией (проверка позиции ударения относительно гласной, проверка целостности текста) и точечной правкой опечаток в именах собственных.

Состав

metadata.csv          # 22 200 строк, формат filename|текст_с_ударениями (разделитель |)
wavs_part_001.tar     # сэмплы 000000…007399 (≈2,1 ГБ) — wav + парный txt
wavs_part_002.tar     # сэмплы 007400…014799 (≈3,2 ГБ) — wav + парный txt
wavs_part_003.tar     # сэмплы 014800…022199 (≈4,2 ГБ) — wav + парный txt

Данные оформлены по соглашению WebDataset: один сэмпл состоит из .wav и .txt с одинаковым ключом (000123_RUSLAN.wav ↔ 000123_RUSLAN.txt), оба лежат внутри одного и того же tar-шарда. HF dataset viewer склеивает их автоматически и показывает текст рядом с аудио.

metadata.csv приложен как удобство для тех, кому нужен только текст; он содержит ровно те же строки, что и .txt файлы (filename|текст в строку).

Аудио сложено в три tar-шарда (без сжатия) вместо 22 200 отдельных файлов — бесплатный тариф HuggingFace ограничивает коммиты пофайлово. После скачивания распакуйте все шарды в общую папку:

mkdir -p data
for f in wavs_part_*.tar; do tar -xf "$f" -C data; done

Итого: 22 200 моно WAV-файлов 22 кГц (≈31 час речи) + соответствующие .txt транскрипции с ударениями.

Формат ударений

• Ударение — символ U+0301 COMBINING ACUTE ACCENT, ставится сразу после ударной гласной (один графемный кластер: а́, е́, о́ и т. д.).
• Ударение проставлено во всех многосложных словах. Односложные слова (включая местоимения и предлоги: я́, мне́, что́, на́) тоже размечены.
• Буква ё ударная по определению, U+0301 после неё не ставится (пишем ё, не ё́).
• Числа, аббревиатуры и латиница оставлены без ударений.
• Омографы расставлены моделью по контексту предложения.

Лицензия

CC BY 4.0, унаследована от оригинального RUSLAN.

При использовании ссылайтесь на оригинальную статью:

@inproceedings{gabdrakhmanov2019ruslan,
  title={RUSLAN: Russian Spoken Language Corpus for Speech Synthesis},
  author={Gabdrakhmanov, Lenar and Garaev, Rustem and Razinkov, Evgenii},
  booktitle={Interspeech 2019},
  year={2019}
}

Известные ограничения

• Ударения проставлены LLM. Несмотря на то что ≥99,9 % строк проходят автоматическую валидацию (корректная позиция, целостность текста), при обучении на полном объёме возможны единичные ошибки на омографах.
• Аудио не подвергалось переразметке или дополнительной очистке относительно исходного релиза RUSLAN.