越南语零样本语音克隆评测基准

音视频
0 下载
2 浏览
2026-08-16

数据集简介

基准定位与任务目标

ZeroBench-TTS 是一个面向越南语的零样本 TTS(zero-shot text-to-speech)与语音克隆评测基准,由 ZeroWeight AI 构建。其目标是为越南语语音合成模型提供统一、可复现的评测口径:模型无需针对目标说话人进行微调,仅凭一段参考音频即可合成目标音色,从而考察模型的零样本音色克隆能力。基准同时覆盖单语越南语、跨语言以及代码切换三类使用情境,并附官方评分器,使用者一条命令即可完成对模型的打分。

数据规模与子集构成

基准整体规模控制在 1K 行以内,由 4 个子集组成,共 137 条测试样本,并配有 59 个留出(held-out)参考音色。各子集行数如下:

子集 行数
challenging 39
code_switch 39
cross_lingual 20
vietnamese 39

其中 challenging 子集用于考察困难样本下的合成表现,code_switch 覆盖代码切换场景,cross_lingual 覆盖跨语言场景,vietnamese 则为越南语单语测试内容。

字段结构与数据组织

数据以 parquet 格式提供,每条记录包含文本与音频两类信息。主要字段包括:

  • id:样本标识
  • subset:所属子集
  • text、text_normalized、has_normalization:原始文本、归一化文本及是否经过归一化
  • lang、length_bucket、n_chars、n_words:语种、长度分桶、字符数与词数
  • voice_id、voice_source、source_speaker、source_utterance、voice_lang:参考音色编号、来源、原始说话人、原始语句与音色语种
  • ref_audio、ref_text、ref_duration:参考音频、参考文本与参考音频时长
  • text_origin_subset、cross_lingual:文本来源子集与是否属于跨语言设置

上述字段将测试文本与参考音色解耦,便于按子集、语种与长度维度分别统计模型表现。

获取与使用

数据集托管于 HuggingFace,公开可访问,页面提供下载。使用者可结合随附的官方评分器,通过一条命令完成模型评分。许可协议为 CC BY-NC 4.0,允许在署名前提下用于非商业用途。

基本信息

记录数量137 条测试样本 · 59 个留出参考音色 · 4 个子集(challenging 39 行、code_switch 39 行、cross_lingual 20 行、vietnamese 39 行);Size: < 1K
文件大小未知
文件格式parquet
数据来源ZeroWeight AI
数据模态音频、文本
许可协议CC BY-NC 4.0
子集数量4
测试样本数137
参考音色数59
数据落地页https://huggingface.co/datasets/zeroweight-ai/ZeroBench-TTS
发布日期2026-08-16
越南语语音合成零样本语音克隆TTS评测基准语音克隆parquet

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