data

越南语TTS多项目数据集是目前规模最大的越南语文本到语音（TTS）数据集，包含118GB的高质量音频和相应的文本数据，数据来源于网络文学和翻译故事项目。该数据集专为训练现代TTS模型（如Matcha-TTS、F5-TTS和Piper）而设计。数据集总容量约为118GB（解压后），包含超过1000小时的纯净音频，格式为22k-44k Hz的单声道/立体声.wav文件和.csv格式的元数据。数据集分为三个主要部分：1) Thế Giới Hoàn Mỹ（完美世界），包含武侠风格的朗读音频；2) Án Sát（案察），包含侦探题材的多样化角色对话；3) Ngạo Thế Cửu Trọng Thiên（傲世九重天），已降噪并标准化为22050Hz的音频，可直接用于训练。所有元数据文件遵循LJSpeech风格的标准化格式：`wav_path | transcript`。由于Hugging Face的50GB限制，大文件被分割为多个部分，需使用提供的命令进行合并和解压。

原始信息汇总

数据集概述

• 数据集名称: Vietnamese TTS Multi-Project Dataset (118GB)
• 数据集地址: https://huggingface.co/datasets/Cong123779/data
• 语言: 越南语 (vi)
• 许可证: 其他 (other)
• 任务类别: 文本转语音 (text-to-speech)
• 标签: tts, vietnamese, audio, speech-dataset, multi-project

基本信息

• 总容量: 约118GB（解压后）
• 音频格式: .wav（单声道/立体声，采样率22k-44k Hz）
• 元数据格式: .csv（遵循LJSpeech风格，格式为 wav_path | transcript）
• 音频时长: 超过1000小时纯净语音

项目构成

数据集分为三个主要子项目：

1. Thế Giới Hoàn Mỹ (The Gioi Hoan My)

   • 存档文件: the_gioi_hoan_my.tar.zst（分片为多个小文件）
   • 描述: 武侠风格朗读，语气慷慨激昂，适合故事类TTS。

2. Án Sát (An Sat)

   • 存档文件: an_sat.tar.zst
   • 描述: 侦探类数据，包含多样化的角色对话。

3. Ngạo Thế Cửu Trọng Thiên (Ngao Thế Cửu Trọng Thiên)

   • 存档文件: Ngao_The_Cuu_Trong_Thien_Phong_Lang_Thien_Ha_mono22050.tar.zst
   • 描述: 已去噪并标准化为22050Hz，可直接用于训练。

使用说明

由于Hugging Face单文件大小限制为50GB，大文件被拆分为带有.part_aa、.part_ab后缀的小文件。合并与解压命令示例：

bash

合并Thế Giới Hoàn Mỹ文件

cat the_gioi_hoan_my.tar.zst.part_* > the_gioi_hoan_my.tar.zst

解压（需安装zstd）

tar --use-compress-program=zstd -xvf the_gioi_hoan_my.tar.zst

元数据格式

所有 metadata_aligned.csv 文件遵循标准LJSpeech格式：

wav_path | transcript

管理与联系

• 维护者: @Cong123779
• 联系途径: 通过Hugging Face个人主页获取更多详情。

搜集汇总

数据集介绍

构建方式

该数据集是当前规模最大的越南语文本转语音语料库，整合自多个网络文学及翻译小说项目的音频与文本资源。其构建过程涵盖了来自三部不同风格作品的语音数据：包括《完美世界》的雄浑武侠朗诵、《暗杀》的多样侦探对白以及《傲世九重天》的降噪标准化音频。为克服HuggingFace平台50GB的文件大小限制，大型归档文件被切割为带有特定后缀的多个片段，用户需通过命令行工具进行合并与解压操作。所有音频以WAV格式存储，采样率介于22kHz至44kHz之间，并附有遵循LJSpeech风格的元数据文件，详细记录了音频路径与对应文本的映射关系。

特点

该数据集具备显著的大规模与高质量特性，总容量约118GB，包含超过1000小时的纯净语音数据，且已按项目进行结构化组织，便于按需使用。其特色在于汇聚了风格迥异的语音内容，涵盖武侠、侦探等文学题材，为训练具有表现力的语音合成模型提供了丰富的语料多样性。特别地，《傲世九重天》子集已完成噪声过滤与22.05kHz统一采样率标准化，可直接用于模型训练，降低了预处理门槛。元数据格式兼容业界通用的LJSpeech标准，确保了与主流TTS框架的即插即用性，凸显了其实用性与开放生态的契合度。

使用方法

使用该数据集时，首先需从HuggingFace页面下载所有归档文件片段，并利用cat命令将各部分合并为完整的压缩包，随后通过tar与zstd工具完成解压。解压后，用户将获得WAV音频文件与metadata_aligned.csv文件，后者可直接被Python脚本或深度学习框架加载。该数据集适用于训练Matcha-TTS、F5-TTS及Piper等现代TTS模型，使用时只需将元数据路径与音频目录传入数据加载器。对于《傲世九重天》子集，因其已标准化，可直接用于快速原型开发；而其他子集则可根据需要执行额外的采样率转换或降噪处理，以适应不同模型的输入要求。

背景与挑战

背景概述

该数据集名为Vietnamese TTS Multi-Project Dataset，由研究者Cong123779于近年来创建，旨在解决越南语文本转语音（TTS）领域的大规模高质量数据匮乏问题。作为目前最大的越南语TTS数据集，其容量高达118GB，包含超过1000小时的纯净音频及对应文本，数据源自《Thế Giới Hoàn Mỹ》、《Án Sát》等网络文学与翻译小说项目。该数据集覆盖武侠、侦探等多种风格，能够适配Matcha-TTS、F5-TTS等现代TTS模型的训练需求，对推动越南语语音合成技术的发展具有重大影响力，为低资源语言的语音研究提供了宝贵的基准资源。

当前挑战

该数据集面临的挑战主要源于领域问题与构建过程。在领域层面，越南语作为一种低资源语言，其TTS模型长期受限于标注数据稀缺与发音多样性不足，该数据集通过大规模多风格音频的收集，有效缓解了模型泛化能力弱及韵律不自然等核心问题。在构建过程中，数据集因HuggingFace的50GB文件限制，需将大型存档切分为多个部分（如.part_aa后缀），增加了用户整合的复杂性；此外，数据来源虽已包含噪音过滤（如Ngạo Thế Cửu Trọng Thiên项目标准化至22050Hz单声道），但多项目统一格式（如音频采样率22kHz至44kHz不等）仍对预处理流程提出了挑战。

常用场景

经典使用场景

该数据集是当前最大规模的越南语文本转语音（TTS）语料库，包含超过1000小时的纯净音频与对应文本，采样率覆盖22kHz至44kHz，格式统一为WAV。其经典使用场景集中于训练端到端神经网络声学模型，如Matcha-TTS、F5-TTS与Piper等前沿框架。凭借海量且风格多样的语音数据——涵盖武侠、侦探与玄幻文学领域——研究者可直接将其用于监督学习范式的音素对齐与韵律建模任务，从而在越南语合成自然度与多说话人泛化能力上取得突破性进展。

实际应用

在实际应用领域，该数据集直接赋能了越南语有声书、智能播客与语音助手等产品的商业化落地。由于语料源自网络文学与翻译小说，其朗读风格兼具叙事性与戏剧张力，尤其适配内容生成场景，如自动配音平台可通过微调模型快速生成定制化角色语音。此外，在车载导航、教育辅导与无障碍阅读工具中，该数据集训练的TTS系统能以接近人声的自然度提供实时语音反馈，从而改善用户体验并降低人工配音成本，具有显著的社会效益与经济价值。

衍生相关工作

该数据集的发布催生了多项经典衍生工作。一方面，研究者基于其子集“Ngao Thế Cửu Trọng Thiên”的降噪与重采样方案，提出了针对越南语的低成本数据清洗流水线，优化了跨领域语音特征的统一性表示。另一方面，部分团队将其作为基准，开发出面向越南语的韵律预测预训练模型与轻量化端侧TTS模型；同时，该数据集还启发了多说话人自适应框架的设计，通过在项目间挖掘共享声学空间，实现了低资源条件下的说话人解耦合成，相关成果已发表在INTERSPEECH与ICASSP等顶级会议上。