英语 TTS 主模型 Tier-1 消融实验记录
音视频
0 下载
2 浏览
2026-09-29
数据集简介
决策背景(EN-E1)
本仓库服务于英语 TTS 主模型的配方决策:在正式训练主模型之前,先用小规模模型做 Tier-1 消融筛选,以判断哪些技术方案值得进入主模型训练。训练数据取自 SynDataLab-EN/echo-clones-4m-en 的 Tier-1 子集 en_t1,约 100 小时,并留出 236 个音色用于评测。仓库内容为 screening runs 的归档,不是对外发布的模型本身。
实验协议
- 模型规模:80M 参数的小模型。
- 训练配置:30k 步,每步 12k 帧。
- 对比方式:每种技术方案都与两个基线种子(en-t1-base、en-t1-base-s2)对比。
- 决策集:echo_dev 与 seed_dev 两个评测集。
- 音频编码相关组件引用 kadirnar/dacvae-next。
决策规则(EN-E1)
筛选以 WER 为核心指标,同时参考 CER、词错误数、SIM 与 UTMOS。结果表为每个 run 给出相对 en-t1-base 与 en-t1-base-s2 的 ΔWER 置信区间,并附 changes vs baseline 列说明该 run 相对基线做了哪些改动,便于逐项判断技术方案是否带来稳定增益。
结果表结构
结果表包含以下列:
| 列名 | 含义 |
|---|---|
| run | 实验运行标识 |
| eval | 评测集(echo_dev / seed_dev) |
| step | 训练步数 |
| WER | 词错误率 |
| CER | 字符错误率 |
| word errors | 词错误数 |
| SIM | 说话人相似度 |
| UTMOS | 语音自然度主观评分预测 |
| ΔWER vs en-t1-base | 相对基线 1 的 WER 差值置信区间 |
| ΔWER vs en-t1-base-s2 | 相对基线 2 的 WER 差值置信区间 |
| changes vs baseline | 相对基线的改动说明 |
数据组织与字段
default 子集共 336 行,按 split 划分为 validation(168 行)与 test(168 行)。音频以 soundfolder 形式存放,字段包括 audio 与 audio duration (s),另提供 parquet 格式便于表格化读取。数据集整体规模小于 1K。
许可与引用
本数据集采用 apache-2.0 许可,公开可下载,落地页为 https://huggingface.co/datasets/VoiceHub/mytts-en-ablations。
基本信息
记录数量未知
文件大小未知
文件格式soundfolder, parquet
数据来源VoiceHub
样本数量336 行
划分方式validation 168 行、test 168 行
许可协议apache-2.0
数据模态音频与文本
数据落地页https://huggingface.co/datasets/VoiceHub/mytts-en-ablations
发布日期2026-09-29
语音合成文本转语音消融实验英语TTSWER模型筛选
上架信息
数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载