ITTS 说话人多样性合成语音数据集
数据集简介
数据构成与发布覆盖
本数据集面向文本转语音(TTS)方向的说话人多样性研究,包含七个 TTS 系统生成的英语合成语音:moss_voicegen、parler_large、parler_mini、capspeech_nar、qwen3_tts、voxinstruct 与 voxcpm2。全部音频为合成语音,不包含真实 Emilia 录音;真实 Emilia 提示音频仅以说话人嵌入的形式作为参考提供。
数据按四种配置划分,各配置行数如下:
| 配置 | 行数 | 内容侧重 |
|---|---|---|
| overall | 210,000 | 七个系统各 30,000 行 |
| attribute | 336,000 | 性别、年龄、口音、情感等单属性 |
| gender_x_age | 336,000 | 性别与年龄交叉组合 |
| sampling_sweep | 450,000 | 采样参数扫描 |
全库合计 1.33M 行,属于 1M–10M 规模档。
字段说明
每条记录的核心字段包括:id、system、instruction、text、emilia_id、attribute、value、gender、age、template_id、partition、sweep_param、sweep_value、seed、decoding_params、duration_s、original_filename 与 audio。其中 audio 列以 FLAC 无损编码内嵌于 Parquet,采样率保持各系统原始设置;attribute 与 value 描述受控属性,sweep_param 与 sweep_value 记录采样扫描参数,seed 与 decoding_params 便于复现生成条件。
加载方式
数据以 Parquet 文件组织,可通过 HuggingFace datasets 库按配置名称加载对应分片;音频列内嵌于 Parquet,读取后可直接解码为波形。仓库设有 gated 访问限制(auto 审批),需登录账号、同意使用条款后方可下载文件。
说话人嵌入
嵌入文件位于 embeddings/
真实 Emilia 参考嵌入
除合成语音外,数据集还提供真实 Emilia 提示音频的说话人嵌入,作为参照基准,用于衡量合成语音在说话人空间中的分布与偏移。该部分仅含嵌入,不含原始录音。
来源与已知限制
数据由 dlion168 在 HuggingFace 发布,提示音频来自 Emilia。已知限制在于:全部语音均为合成结果,不能替代真实录音用于声学真实性评估;不同系统的原始采样率不一致,跨系统比较时需注意重采样带来的影响。
未包含的材料
本发布不包含真实 Emilia 录音本体,也不包含任何真实人物语音;所有音频均由上述七个 TTS 系统生成。
许可与使用限制
许可为 CC BY-NC-4.0,仅限非商业研究使用。使用者不得利用本数据冒充真实人物或制作欺骗性内容;下载前须在仓库页面接受使用条件。
预期用途
适用于研究生成英语语音的说话人多样性、人口统计与情感条件控制效果、性别与年龄交叉组合的表现,以及采样参数对生成结果的影响;也可用于比较不同 TTS 系统在说话人空间中的分布差异。
引用
若在研究中引用本数据集,请参考仓库页面 Citation 章节所列条目,并按 CC BY-NC-4.0 要求注明出处。