emolia-3k-speaker-clusters

Emolia 3K Speaker Clusters 是一个精选的包含 3,000 个多样化说话人聚类的数据集，源自 TTS-AGI/emolia-hq 数据集，每个聚类包含最多 20 个代表性音频样本。原始 emolia-hq 数据集包含数十万个语音样本，具有 128 维 WavLM 说话人音色嵌入。这些嵌入首先被聚类为 10,000 个中心点，然后通过密度感知的最远点采样智能修剪为 3,000 个，以确保保留独特/罕见的语音类型（1.4 倍异常值过表示）、减少冗余（例如，许多相似的明亮女声被合并为代表）以及均匀覆盖嵌入空间。数据集包含 59,977 个音频样本，平均每个聚类有 20 个样本，嵌入维度为 128，使用余弦距离度量。最佳样本的平均 DNS-MOS 为 3.46，平均时长为 9.3 秒。数据集适用于音频分类、文本到语音、说话人嵌入、说话人聚类和说话人验证等任务。