Датасет · SparkAudio
VoxBox: двуязычный TTS-корпус с метаданными
SparkAudio/voxbox
Китайские и английские речи с чистыми транскрипциями, возрастом, полом и эмоциями для TTS.
Что внутри
Сборник двуязычных речевых корпусов для TTS на китайском и английском. В нём есть чистые транскрипции и богатые метаданные: возраст, пол и эмоции. Аудио разложено по подкорпусам, а метаданные хранятся в JSONL-файлах, например aishell-3, casia, commonvoice_cn и wenetspeech4tts; размер по метаданным — от 10 до 100 млн.
Что можно сделать
- Обучение двуязычной TTS-модели
- TTS с управлением эмоцией, возрастом и полом
- Оценка синтеза речи на китайском и английском
- Задачи
- Синтез речи
- Языки
- Китайский, Английский
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 5,9 тыс.
- Лайков
- 76
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("SparkAudio/voxbox")