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

价格

免费