pnnbao-ump-VieNeu-TTS-140h

# pnnbao-ump/VieNeu-TTS-140h ## Mô tả Dataset A high-quality Vietnamese Text-to-Speech (TTS) dataset containing **74,858** audio samples with phonemized transcripts. This benchmark dataset is designed for fine-tuning modern TTS models with maximum synthesis quality. The text corpus is completely phonemized using standard international phonetic alphabet (IPA) representations suitable for neural acoustic modeling. ### Quick Facts - **Language:** Vietnamese 🇻🇳 - **Tasks:** Text-to-Speech (TTS), Automatic Speech Recognition (ASR) - **Total Samples:** 74,858 - **Audio Format:** WAV, 24kHz - **Average Duration:** ~6.76 seconds per sample - **Total Duration:** ~140.7 hours - **Multi-speaker:** 193 unique speakers ### Gender Distribution - **👨 Male:** 50,200 samples (67.1%) - **👩 Female:** 24,658 samples (32.9%) ### Cấu trúc Dataset Dataset bao gồm các trường sau: ```json { "_id": "jellyfish1010_0041_5", "audio": { "path": "...", "array": [...], "sampling_rate": 24000 }, "text": "Người người băn khoăn về AI, nhà nhà cùng nhau sử dụng AI.", "phonemized_text": "ŋˈyə2j ŋˈyə2j bˈan xwˈan vˈe2 ˌaːˈi, ɲˈaː2 ɲˈaː2 kˈu2ŋ ɲˈaw sˈy4 zˈu6ŋ ˌaːˈi.", "duration": 8.39, "speaker": "jellyfish1010_0041", "gender": "male", "language": "vi" } ``` #### Các trường dữ liệu: - **_id**: ID duy nhất của mẫu (tên đã chuẩn hóa) - **audio**: File audio WAV (24kHz) - tên file gốc - **text**: Văn bản tiếng Việt gốc - **phonemized_text**: Phiên âm IPA của văn bản - **duration**: Độ dài audio (giây) - **speaker**: ID của speaker - **gender**: Giới tính speaker (male/female) - **language**: Mã ngôn ngữ (vi) ## Cách sử dụng ### Tải dataset ```python from datasets import load_dataset # Load toàn bộ dataset dataset = load_dataset("pnnbao-ump/VieNeu-TTS") # Xem một mẫu sample = dataset['train'][0] print(f"ID: {sample['_id']}") print(f"Text: {sample['text']}") print(f"Phonemized: {sample['phonemized_text']}") print(f"Duration: {sample['duration']}s") print(f"Speaker: {sample['speaker']}") print(f"Gender: {sample['gender']}") print(f"Audio shape: {sample['audio']['array'].shape}") print(f"Sample rate: {sample['audio']['sampling_rate']} Hz") ``` ## Thống kê Dataset - **Tổng số mẫu:** 74,858 - **Số speaker:** 193 - **Độ dài trung bình:** ~6.76 giây/mẫu - **Tổng thời lượng:** ~140.7 giờ - **Chất lượng audio:** WAV format, 24kHz - **Phonemization:** IPA (International Phonetic Alphabet) with stress markers ## Giấy phép Dataset này được phát hành dưới giấy phép Apache 2.0. Bạn có thể: ✅ Sử dụng cho mục đích thương mại ✅ Sửa đổi và phân phối ✅ Cấp phép lại ✅ Sử dụng trong dự án private Với điều kiện: 📝 Giữ nguyên thông báo bản quyền và giấy phép 📝 Ghi rõ những thay đổi đã thực hiện 📝 Bao gồm bản sao giấy phép Apache 2.0 ⚠️ **Lưu ý:** Dataset được cung cấp "nguyên trạng" không có bất kỳ bảo hành nào. Xem chi tiết tại: https://www.apache.org/licenses/LICENSE-2.0 Vui lòng trích dẫn nguồn khi sử dụng. ## Citation ```bibtex @dataset{vieneu_tts_140h, author = {Pham Nguyen Ngoc Bao}, title = {VieNeu-TTS: Vietnamese Multi-Speaker Text-to-Speech Dataset}, year = {2025}, publisher = {Hugging Face}, howpublished = {\url{https://huggingface.co/datasets/pnnbao-ump/VieNeu-TTS}}, note = {140.7 hours, 193 speakers, Apache 2.0 License} } ``` ## Liên hệ Nếu có bất kỳ câu hỏi hoặc vấn đề nào, vui lòng tạo issue trên repository. --- **Tác giả:** Pham Nguyen Ngoc Bao **Năm:** 2025